P. 1
Diktat Matlab Unikom

Diktat Matlab Unikom

|Views: 72|Likes:

More info:

Published by: Mochammad Ilham Cendana on Feb 12, 2013
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as DOC, PDF, TXT or read online from Scribd
See more
See less

06/16/2013

pdf

text

original

UNIVERSITAS KOMPUTER INDONESIA

Diktat Matlab & Simulink with Application w

Jurusan Teknik Elektro Universitas Komputer Indonesia
Copyright @2009
1

SATUAN ACARA PERKULIAHAN (SAP) MATA KULIAH KEAMANAN KOMPUTER KODE / SKS : / SKS Dosen Program Studi Kelas/angkatan
Minggu ke

: Jana Utama, ST : S1 Teknik Elektro : 06TE01 / 2006

Pokok Bahasan

1

Sub Pokok Tujuan Instruksional Ref. Bahasan Khusus Pengarahan perkuliahan o Memulai
dan pengenalan MATLAB perintah sederhana Penggambaran grafik o Penyusunan program o Fungsi dalam o
MATLAB

2 & 3 4
&

Pemrograman MATLAB

o o o

Pemrograman MATLAB

5 6 7
Sinyal dan sistem Analisis dan filter analog

o o o o o

desain o o

Kontrol program M-file Fungsi inline dan perintah feval Operator logika Operasi Array Akar-akar persamaan Fungsi zero Analisis filter dan Implementasi Desain LPF analog Desain Butterworth LPF Desain IIR dan FIR FIR dan Signal flow graph Low pass filter High pass filter Signal processing tools Pembentukan jaringan Pembentukan vektor masukan dan target Menghitung keluaran perceptron Menghitung bobot dan bias Inisialisasi Backpropagation Insisialisasi

8 9
&

Ujian Tengah Semester
Analisis dan filter digital desain o o Analisis dan filter digital desain o o o Network o o o o

10 11
&

12 13
Neural (Perceptron)

14
&

15

Neural Network o (Backpropagation) o

2

Bobot o Simulasi jaringan

16

Ujian Akhir Semester

ATURAN PERKULIAHAN KEAMANAN KOMPUTER DAFTAR HADIR MIN = 80% X 16= 14 KOMPONEN NILAI TUGAS / pokok bahasan = 25% UTS = 30% UAS = 45% Nilai Mutlak 85 – 100 = A 70 – 84 = B 56 – 69 = C 41 – 55 = D ≤ 40 = E Keterlambatan kehadiran dengan toleransi 10 menit Buku Acuan : Bebas (mencakup pembahasan yang ada)

3

MODUL 1 PENGENALAN MATLAB: SEBAGAI ALAT ANALISIS PERMASALAHAN ENGINEERING

I. TUJUAN  Mahasiswa mampu mengoperasikan Matlab dan memanfaatkannya sebagai perangkat
Simulasi untuk praktikum Sinyal dan Sistem

II. DASAR TEORI
1.1 Apa Sih MATLAB Itu? MATLAB adalah sebuah bahasa dengan (high-performance) kinerja tinggi untuk komputasi masalah teknik. Matlab mengintegrasikan komputasi, visualisasi, dan pemrograman dalam suatu model yang sangat mudah untuk pakai dimana masalah-masalah dan penyelesaiannya diekspresikan dalam notasi matematika yang familiar. Penggunaan Matlab meliputi bidang– bidang:
• • • • • •

Matematika dan Komputasi Pembentukan Algorithm Akusisi Data Pemodelan, simulasi, dan pembuatan prototipe Analisa data, explorasi, dan visualisasi Grafik Keilmuan dan bidang Rekayasa

MATLAB merupakan suatu sistem interaktif yang memiliki elemen data dalam suatu array sehingga tidak lagi kita dipusingkan dengan masalah dimensi. Hal ini memungkinkan kita untuk memecahkan banyak masalah teknis yang terkait dengan komputasi, kususnya yang berhubungan dengan matrix dan formulasi vektor, yang mana masalah tersebut merupakan persoalan apabila kita harus menyelesaikannya dengan menggunakan bahasa level rendah seperti Pascall, C dan Basic. Nama MATLAB merupakan singkatan dari matrix laboratory. MATLAB pada awalnya ditulis untuk memudahkan akses perangkat lunak matrik yang telah dibentuk oleh LINPACK dan EISPACK. Saat ini perangkat MATLAB telah menggabung dengan LAPACK dan BLAS library, yang merupakan satu kesatuan dari sebuah seni tersendiri dalam perangkat lunak untuk komputasi matrix.

4

Dalam lingkungan perguruan tinggi teknik, Matlab merupakan perangkat standar untuk memperkenalkan dan mengembangkan penyajian materi matematika, rekayasa dan kelimuan. Di industri, MATLAB merupakan perangkat pilihan untuk penelitian dengan produktifitas yang tingi, pengembangan dan analisanya. Fitur-fitur MATLAB sudah banyak dikembangkan, dan lebih kita kenal dengan nama toolbox. Sangat penting bagi seorang pengguna Matlab, toolbox mana yang mandukung untuk learn dan apply technologi yang sedang dipelajarinya. Toolbox toolbox ini merupakan kumpulan dari fungsi-fungsi MATLAB (M-files) yang telah dikembangkan ke suatu lingkungan kerja MATLAB untuk memecahkan masalah dalam kelas particular. Area-area yang sudah bisa dipecahkan dengan toolbox saat ini meliputi pengolahan sinyal, system kontrol, neural networks, fuzzy logic, wavelets, dan lain-lain.

2.2. Kelengkapan pada Sistem MATLAB
Sebagai sebuah system, MATLAB tersusun dari 5 bagian utama:

1.

Development Environment. Merupakan sekumpulan perangkat dan fasilitas yang membantuanda untuk menggunakan fungsi-fungsi dan file-file MATLAB. Beberapa perangkat ini merupakan sebuah graphical user interfaces (GUI). Termasuk didalamnya adalah MATLAB desktop dan Command Window, command history, sebuah editor dan debugger, dan browsers untuk melihat help, workspace, files, dan search path.

2.

MATLAB Mathematical Function Library. Merupakan sekumpulan algoritma komputasi mulai dari fungsi-fungsi dasar sepertri: sum, sin, cos, dan complex arithmetic, sampai dengan fungsi-fungsi yang lebih kompek seperti matrix inverse, matrix eigenvalues, Bessel functions, dan fast Fourier transforms.

3.

MATLAB Language. Merupakan suatu high-level matrix/array language dengan control flow statements, functions, data structures, input/output, dan fitur-fitur object-oriented programming. Ini memungkinkan bagi kita untuk melakukan kedua hal baik "pemrograman dalam lingkup sederhana " untuk mendapatkan hasil yang cepat, dan "pemrograman dalam lingkup yang lebih besar" untuk memperoleh hasil-hasil dan aplikasi yang komplek.

4.

Graphics. MATLAB memiliki fasilitas untuk menampilkan vector dan matrices sebagai suatu grafik. Didalamnya melibatkan high-level functions (fungsi-fungsi level tinggi) untuk visualisasi data dua dikensi dan data tiga dimensi, image processing, animation, dan presentation graphics. Ini juga melibatkan fungsi level rendah yang memungkinkan bagi anda untuk membiasakan diri untuk memunculkan grafik mulai dari benutk yang sederhana sampai dengan tingkatan graphical user interfaces pada aplikasi MATLAB anda.

5.

MATLAB Application Program Interface (API). Merupakan suatu library yang memungkinkan program yang telah anda tulis dalam bahasa C dan Fortran mampu berinterakasi dengan MATLAB. Ini melibatkan fasilitas untuk pemanggilan routines dari MATLAB (dynamic linking), pemanggilan MATLAB sebagai sebuah computational engine, dan untuk membaca dan menuliskan MAT-files. III. PERANGKAT YANG DIPERLUKAN

PC yang dilengkapi dengan perangkat multimedia (sound card, Microphone, Speaker active, atau headset) • Sistem Operasi Windows dan Perangkat Lunak Matlab yang dilengkapi dengan tool box DSP

5

IV. LANGKAH PERCOBAAN 4.1 Memulai Matlab Perhatikan Dekstop pada layar monitor PC, anda mulai MATLAB dengan melakukan doubleclicking pada shortcut icon MATLAB

Gambar 1. Icon MATLAB pada desktop PC

Selanjutnya anda akan mendapatkan tampilan seperti pada Gambar berikut ini.

Gambar 2. Tampilan awal Matlab Sedangkan untuk mengakhiri sebuah sesi MATLAB, anda bisa melakukan dengan dua cara, pertama pilih File -> Exit MATLAB dalam window utama MATLAB yang sedang aktif, atau cara kedua lebih mudah yaitu cukup ketikkan type quit dalam Command Window. 4.2 Menentukan Direktori Tempat Bekerja Anda dapat bekerja dengan MATLAb secara default pada directory Work ada di dalam Folder MATLAB. Tetapi akan lebih bagus dan rapi jika anda membuat satu directory khusus dengan nama yang sudah anda kususkan, “dargombes” atau nama yang lain yang mudah untuk diingat. Hal ini akan lebih baik bagi anda untuk membiasakan bekerja secara rapi dan tidak mencampur program yang anda buat dengan program orang lain. Untuk itu Arahkan pointer mouse anda pada kotak bertanda … yang ada disebelah kanan tanda panah kebawah (yang menunjukkan folder yang sedang aktif). Pilih new directory, selanjutnya ketikkan “dargombes”, dan diikuti dengan click Ok.

6

Gambar 3. Membuat Folder baru tempat program

4.3 Memulai Perintah Sederhana Langkah kita yang pertama adalah dengan menentukan variable scalar dengan cara melakukan pengetikan seperti berikut:
» x = 2 (selanjutnya tekan “Enter”)

x 2 » y 3 » z 5

= =

y = 3 z = x + y

=

Tidak terlalu menjadi masalah bagi anda? Saya percaya anda tidak mengalami kesulitan, sebab anda adalah orang yang sangat cerdas. Nah bagaimana dengan yang satu berikutnya ini? Disini kita mulai dengan mendefinisikan dua buah vector, yaitu vector x dan vector y:
» x = [1 2 3]

x = 1 2 3 » y = [4 5 6] y = 4 5 6 Selajutnya ketik:
>> y(1)

ans = 4 dan ulangi untuk y(2) and y(3). Matlab menggunakan integer positif untuk index array. Elemen pertama adalah y(1), elemen kedua adalah y(2), dan seterusnya. Nol atau bilangan negatif tidak diperbolehkan untuk indek array. Sekarang kita jumlahkan keduanya: » x+y ans = 5 7 9

7

dan sekarang hitung inner product: » x*y' ans = 32 Jawabannya adalah 1*4 + 2*5 + 3*6 = 32! Catat, bahwa y' adalah transpose pada y dan merupakan suatu vector kolom. Untuk memeriksanya, ketikkan perintah berikut:
>> y'

ans = 4 5 6 Cara lain pada pengkombinasian dua vector adalah diakukan melalui perkalian elementdemielement: >> x.*y ans = 4 10 18 Jawabannya adalah 1*4=4 2*5=10 3*6=18. Catat periode sebelum perkalian simbol. Sekarang kita dapat mendefinisikan suatu matrix: » A = [1 2 3 4 5 6 7 8 9]; Catat bahwa matrik tidak diulang kalau kita menggunakan semi colon. Kita sekarang kalikan A dengan transpose dari x: » A*x' ans = 14 32 50 Sekarang kita harus mentranspose x untuk memenuhi perkalian suatu matrik dan suatu vector kolom. Matrik-matrik ini dapat juga dikalikan satu sama lain diantara mereka: » B = [1 5 7 » A*B ans = 32 71 110 2 3 4 6 7 8 6 5 4]; 32 32 32 74 77 80 116 122 128

Jawabannya adalah 1*1=1 2*5=10 3*7=21, sehingga baris 1 kolom 1= 1+10+21=32, 1*2=2 2*6=12 3*6=18, sehingga baris 1 kolom 2= 2+12+18=32 dst. Sedangkan untuk baris 2 mariks A dikalikan dengan setiap elemen pada kolom mariks B lalu dijumlahkan (sama seperti yang ada diatas) dst. Sekarang coba anda lakukan penjumlahan antara A dan B: » A+B ??? Error using ==> + Matrix dimensions must agree. Baiklah, kita tidak dapat menambah suatu matrik 3 kali 3 dengan matrix 3 kali 4 , dan Matlab akan mendeteksi dimensi yang mismatch dan selanjutnya memeberikan pesan error. Sekarang kita cari

8

cara lain untuk mendefinisikan matrik dan vektor. Sebagai contoh suatu matrik nol dengan dimensi 3 baris dan 6 kolom dapat dinyatakan sebagai: >> zeros(3,6) ans = 000000 000000 000000 tentu saja jika anda tambahkan suatu ";" setelah zeros (3,6), jawabannya tidak akan ditampilkan di layar monitor anda. Angka pertama, 3 menunjukkan jumah baris, sedangkan angka kedua, 6, adalah jumlah kolom. Kita dapat pula melakukan hal yang sama untuk menampilkan angka satu seperti berikut: >> ones(3,6) ans = 111111 111111 111111 Pendefinisian Vektor-vektor Besar Suatu vektor 1 kali 100 yang menyusun sample pada sinyal cosinus dapat dibangkitkan dengan >> x = cos(0.1*pi*(0:99)); Untuk membangkitkan suatu "ramp" dari 1 sampai 50 coba: >> x = [1:1:50]; bilangan kedua mengindikasikan step kenaikan dari dari 1 sampai 50. Untuk membangkitkan suatu fungsi "ramp" dari 1 sampai 50 coba berikut ini: >> x = [1:1:50]; Ketika anda tidak memasukkan angka kedua pada perintah diatas, maka secara otomatis (default) step kenaikan ditetapkan bernilai “1”: >> x = [1:50]; Anda bisa juga secara khusus mendefinisikan suatu rentang nilai pada x sebagai berikut:: >> x(51:100) = [50:-1:1] Ini merupakan metode yang sangat bermanfaat untuk mensepsifikasi nilai “waktu” untuk penggambaran. Sebagai contoh, ditetapkan interval sampling dalam contoh diatas adalah 1 detik. Selanjutnya anda dapat mendefisnisikan seperti berikut: >> time = [0:0.001:0.099]; 4.4 Penggambaran Grafik Salah satu kelebihan dari Matlab adalah kemudahan dalam mengolah grafik. Sehingga anda tidak perlu kesulitan untuk melihat suatu respon system, misalnya pada kasus melihat bentuk sinyal dalam domain waktu anda cukup mengikuti langkah berikut. Sekarang ketikkan: >> time = [0:0.001:0.099];

9

>> >> >> >>

x = cos(0.1*pi*(0:99)); plot(time,x) xlabel('time (msec)') ylabel('x(t)')

ini akan menghasilkan gambar seperti berikut:

Gambar 4. Contoh tampilan grafik sederhana dengan perintah plot

Sedangkan cara untuk menampilkan sederetan nilai fungsi waktu diskrit adalah dengan menggunakan perintah "stem". Dari contoh deretan perintah coba anda rubah beberapa bagian dengan perintah berikut: >> stem(time,x) >> xlabel('time (msec)') >> ylabel('x(t)') Apakah hasilnya seperti berikut ini?

Gambar 5. Contoh tampilan grafik dengan perintah stem

4.5 Menyusun Progam Sederhana Anda dapat mengedit suatu file text yang tersusun dari beberapa perintah Matlab. Ini dapat dilakukan dengan menekan double-click pada icon "New M-File" icon in the Matlab toolbar.

10

Gambar 6. Langkah awal menyusun program sederhana

Selanjutnya anda akan mendapatkan sebuah tampilan Matlab Editor yang masih kosong seperti ini.

Gambar 7. Tampilan Matlab Editor tempat membuat program.

Selanjutnya anda buat program seperti pada contoh sebelumnya:

Gambar 8. Contoh penulisan program pada Matlab Editor

Gambar 9. Cara menyimpan dan mengeksekusi program anda

11

Lanjutkan dengan menekan toolbar Debug, dan jangan lupa anda pilih Save anda Run. Disitu anda harus menuliskan nama program. Anda tuliskan coba_1, secara otomatis akan menjadi file coba_1.m dan akan anda lihat tampilan hasilnya. Seperti apa ya? Program kedua anda Cobalah untuk membuat program seperti berikut ini pada Matlab editor, dan jangan lupa anda simpan dengan nama coba_2 x(1:52) = [0 0 1:1:50]; x(53:102) = [50:-1:1]; h = [1 2]; for n = 3:101, y(n) = 0; for m = 1:2, y(n) = y(n) + h(m)*x(n-m); end end plot(y) Hasil apa yang anda dapatkan ? Dalam hal ini anda harus memahami arti setiap perintah yang anda tuliskan dalam Matlab, tidak ada salahnya anda bertanya kepada instruktur apa arti perintah-perintah tersebut. Program ketiga anda Satu contoh lain program untuk for adalah pembangkitan gambar seperti berikut. %File Name:coba_3.m n=201; delx=10/(n-1); for k=1:n x(k)=(k-1)*delx; y(k)=sin(x(k))*exp(0.4*x(k)); end %plot(x,y) plot(x,y,'linewidth',4) title('Grafik yang pertama') xlabel('x');ylabel('y');
Bagiamana hasilnya?
Gambar 10. Tampilan program grafik ketiga

4. 6. Fungsi dalam Matlab Matlab juga mampu untuk menuliskan fungsi yang didefinisikan oleh pemakainya. Buat sebuah fungsi dengan menuliskan program berikut ini: function y = x2(t) y = t^2; Anda simpan dengan nama "x2.m" selanjutnya anda dapat memanfaatkan fungsi tersebut melalui Matlab line command dengan cara berikut: >>t=0:1:10; >> y_2=x2(t) Hasilnya adalah seperti berikut:

12

y_2 = 0 1 4 9 16 25 36 49 64 81 100 Anda bisa juga memanggil fungsi tersebut melalui program pada panggil_1.m file yang anda buat seperti berikut: t=0:1:10; y_2=x2(t) Hasilnya adalah sama seperti menggunakan command line window. TUGAS 1. Dari contoh-contoh program yang sudah anda jalankan, coba berikan penjelasan arti setiap perintah terhadap output yang dihasilkannya. 2. Coba anda cari bagaimana cara menampilkan grafik untuk tampilan tiga dimensi dan grafik polar. 3. Bagaimana cara menampilkan lebih dari satu persamaan dalam satu grafik? Misalnya anda memiliki dua fungsi sinus yang berbeda fase. Fungsi pertama anda tampilkan, lalu anda lanjutkan menampilkan fungsi kedua, dengan catatan tamplan pada fungsi pertama tidak boleh hilang. 4. Bagaimana cara menampilkan lebih dari satu grafik dalam satu tampilan? Misalnya anda gunakan fungsi pada soal ke-3, satu fungsi ditampilkan diatas dan fungsi lainya di bagian bawah. 5. Bagimana cara menampilkan dua fungsi diman masingmasing fungsi disajikan dalam grafik berbeda. Misalnya anda gunakan contoh kasus pada soal ke-3, fungsi pertama anda tampilkan pada figure (1), sementara fungsi kedua anda tampilkan pada figure (2).

MODUL 2 Pemrograman Matlab

 Kontrol program
Matlab bisa berlaku seperti bahasa pemrograman C ataupun pascal yang mempunyai struktur kontrol program, biasanya pemrograman dengan matlab memerlukan lebih dari satu baris dan memungkinkan untuk didokumentasikan dalam m-file, kontrol program ini digunakan untuk memperbaiki tampilan atau membuat tampilan sesuai yang kita inginkan. Dalam bagian dibahas sebagian kontrol program yang diperlukan dalam pemrograman menggunakan matlab : 1. loop for Loop for meungkinkan sekelompok perintah diulang sebanyak suatu jumlah yang tetap. Bentuk umum dari loop for adalah : .
for x= array statement end

untuk tiap iterasi, x diisi dengan kolom array berikutnya, yaitu dalam iterasi ke-n dalam loop, x = array(:,n).

13

contoh 1 : >>for n = 1 : 10 x(n)=sin(n*pi/10); end >> x x= Columns 1 through 8 0.3090 0.5878 0.8090 0.9511 1.0000 0.9511 0.8090 0.5878 Columns 9 through 10

0.3090 0.0000
contoh 2 : > for i=1:5 disp('Ini hasil looping 5 kali'); end Ini hasil looping 5 kali Ini hasil looping 5 kali Ini hasil looping 5 kali Ini hasil looping 5 kali Ini hasil looping 5 kali

2. loop while loop for mengerjakan sekelompok perintah yang diulang sebanyak suatu sejumlah, tetapi loop while mengerjakan sekelompok perintah yang diulang secara tidak terbatas. Bentuk umum loop while adalah
while ekpresi statement end

semua elemen yang dieksekusi diantara while dan end dan harus bernilai benar. Contoh :
>> x=0; >> while x<5 disp('Diulang 5 kali'); x=x+1; end Diulang 5 kali Diulang 5 kali Diulang 5 kali Diulang 5 kali Diulang 5 kali

3. Kontruksi if-else-end Seringkali sederetan perintah harus dikerjakan dengan didasarkan pada hasil tes rasional. Dalam bahasa pemrograman, logika ini dikerjakan dengan variasi kontruksi if-else-end. Bentuk paling sederhana kontruksi if-else-end adalah :
If ekpresi Pertintah End

14

Contoh: >> angka=-4; >> if angka > 0 disp('nilai nya adalah positif'); else disp('nilainya adalah negatif'); end nilainya adalah negatif

Control Flow Untuk mengontrol flow dari perintah, pembuat MATLAB mensuplai peralatan programmer yang dapat digunakan untuk menulis computer code. _ the for loops _ the while loops _ the if-else-end constructions _ the switch-case constructions Mengulang dengan loop for Syntax nya adalah
for k = array commands end For loop dapat berjaring misalkan H = zeros(5); for k=1:5 for l=1:5 H(k,l) = 1/(k+l-1); end end H H= 1.0000 0.5000 0.3333 0.2500 0.2000 0.5000 0.3333 0.2500 0.2000 0.1667 0.3333 0.2500 0.2000 0.1667 0.1429 0.2500 0.2000 0.1667 0.1429 0.1250 0.2000 0.1667 0.1429 0.1250 0.1111

Matriks H diebut Hilbert Matrix. Perintah pertama adalah untuk membuat ruang pada memori komputer untuk matriks yang akan mengembang. Mengulang loop dengan while Syntax nya adalah
while expression statements end

Misalkan angkaπdibagi dua. Hasil nya kemudian dibagi dua lagi. Proses ini diteruskan sampai harganya lebih kecil atau sama dengan 0.01. Berapa angka dari proses terakhir yang lebih dari satu?
q = pi; while q > 0.01 q = q/2; end q

15

q= 0.0061 Konstruksi if-else-end if expression commands end

atau
if expression commands (evaluated if expression is true) else commands (evaluated if expression is false) end atau if expression1 commands (evaluated if expression 1 is true) elseif expression 2 commands (evaluated if expression 2 is true) elseif … . . . else commands (executed if all previous expressions evaluate to false) end

Chebyshev polynomial Tn(x)=0,1,… adalah hal yang penting dalam analisis numeric. Didefinisikan secara recursive sebagai berikut.
Tn(x) = 2xTn – 1(x) – Tn – 2(x), n = 2, 3, … , T0(x) = 1, T1(x) = x. function T = ChebT(n) % Coefficients T of the nth Chebyshev polynomial of the first kind. % They are stored in the descending order of powers. t0 = 1; t1 = [1 0]; if n == 0 T = t0; elseif n == 1; T = t1; else for k=2:n T = [2*t1 0] - [0 0 t0]; t0 = t1; t1 = T; end end coeff = ChebT(3) coeff = 4 0 -3 0 Maka: T3(x) = 4x3 – 3x.

16

 M-Files
File yang terdiri dari kode komputer disebut m-files. Terdapat beberapa m-files yaitu: script files dan function files. Script files tidak perlu menyertakan input argument atau output argument. Function file harus menyertakan input argumen atau output arugumen. Untuk membuat m-file • • Click File lalu New dan M-File Save file pertama dengan nama misalkan graph_pertama.m

Ini adalah contoh file script
% Script file graph_pertama. x = pi/100:pi/100:10*pi; y = sin(x)./x; plot(x,y) grid

Tanda % adalah komentar. Seluruh komentar tidak dihiraukan oleh MATLAB. Berikut adalah contoh file function
function [b, j] = descsort(a) % Fungsi descsort menyusun secara menurun, array a % Output parameter j merupakan tempat asal angka di array b dari % array a. [b ,j] = sort(-a); b = -b;

Fungsi ini menyertakan satu input argument, sebuah array angka riil, dan menyusun array yang berurutan untuk mendapatkan array b dari array a. Fungsi built-in MATLAB digunakan dalam hal ini adalah sort. Fungsi ini menyusun array secara menaik. Beberapa trik yang digunakan memperbolehkan kita untuk menyusun array angka secara menurun. Untuk mendemonstrasikan fungsi dari function yang dibahas,
a = [pi –10 35 0.15]; [b, j] = descsort(a) b= 35.0000 3.1416 0.1500 -10.0000 j= 3142

Jika dscsort digunakan tanpa output argument, maka tempat asal angka akan hilang.
descsort(a) ans = 35.0000 3.1416 0.1500 -10.0000

Fungsi Inline dan Perintah feval MATLAB mempunyai perintah inline untuk mendefinisikan inline functions dalam Command Window. Misalkan:
f = inline('sqrt(x.^2+y.^2)','x','y')

17

f= Inline function: f(x,y) = sqrt(x.^2+y.^2)

Maka dapat dievaluasi
f(3,4)

ans = 5 Dapat juga digunakan memecahkan persoalan dalam dua process. Misalkan :
A = [1 2;3 4] A= 1 2 3 4 dan B = ones(2,2) B= 1 1 1 1 Maka C = f(A, B) C= 1.4142 3.1623

2.2361 4.1231

Untuk mengeksekusi fungsi yang dispesifikasikan oleh string diperlukan perintah feval seperti dibawah ini
feval('functname', input parameters of function functname)

Misalkan code m-file myclm dan isint secara bersamaan Save m-file:
function c = mylcm(a, b) % The least common multiple c of two integers a and b. if feval('isint',a) & feval('isint',b) c = a.*b./gcd(a,b); else error('Input arguments must be integral numbers') end

Buka M-file lain dan save isint.
function k = isint(x); % Check whether or not x is an integer number. % If it is, function isint returns 1 otherwise it returns 0. if abs(x - round(x)) < realmin k = 1; else k = 0; end

gcd (greatest common divisor) merupakan function built-in. Perintah feval digunakan dua kali pada baris kedua. Dia mengecek apakah kedua input argument adalah integer. Aturan Trapezoidal dengan bentuk koreksi sering digunakan untuk integrasi numeric dari fungsi yang terdiferensiasi pada interval integrasi.

dengan h = b – a. Formula ini sangat mudah dimplementasikan di MATLAB

18

function y = corrtrap(fname, fpname, a, b) % Corrected trapezoidal rule y. % fname - the m-file used to evaluate the integrand, % fpname - the m-file used to evaluate the first derivative % of the integrand, % a,b - endpoinds of the interval of integration. h = b - a; y = (h/2).*(feval(fname,a) + feval(fname,b))+ (h.^2)/12.*( ... feval(fpname,a) - feval(fpname,b));

Misalkan
a = [0 0.1]; b = [pi/2 pi/2 + 0.1]; y = corrtrap('sin', 'cos', a, b) y= 0.9910 1.0850

OPERATOR LOGIKA

MATLAB menyediakan operasi logika dan relasional, hal ini diperlukan untuk menjawab pertanyaan benar atau salah dan salah satu manfaat yang penting dari kemampuan ini adalah untuk mengontrol urutan eksekusi sederetan perintah MATLAB (biasanya dalam M-File) berdasarkan pada hasil pertanyaan benar/salah. Sebagai masukan pada semua ekpresi relasi dan logika , MATLAB menganggap semua angka tidak nol sebagai benar, nol sebagi salah. Hasil dari semua ekspresi logika relasi dan logika adalah satu untuk benar dan nol untuk salah dengan tipe array logika yaitu hasilnya memuat bilangan 1 dan 0 yang tidak saja dapat digunakan untuk statemen matematika akan tetapi dapat juga untuk pengalamatan

Floor, Ceil, Fix, Round

Contoh: randn('seed', 0) % This sets the seed of the random numbers generator to zero T = randn(5) T= 1.1650 1.6961 -1.4462 -0.3600 -0.0449 0.6268 0.0591 -0.7012 -0.1356 -0.7989 0.0751 1.7971 1.2460 -1.3493 -0.7652

19

0.3516 0.2641 -0.6390 -1.2704 0.8617 -0.6965 0.8717 0.5774 0.9846 -0.0562 A = floor(T) A= 1 1 -2 -1 -1 0 0 -1 -1 -1 0 1 1 -2 -1 0 0 -1 -2 0 -1 0 0 0 -1 B = ceil(T) B= 2 2 -1 0 0 11 0 00 1 2 2 -1 0 1 1 0 -1 1 01 1 10 C = fix(T) C= 1 1 -1 0 0 00 0 00 0 1 1 -1 0 0 0 0 -1 0 00 0 00 D = round(T) D= 1 2 -1 0 0 1 0 -1 0 -1 0 2 1 -1 -1 0 0 -1 -1 1 -1 1 1 1 0

Operasi Array

Semua komputasi yang dikerjakan sejauh ini hanya melibatkan bilangan tunggal yang disebut skalar. Opeasi skalar memang merupakan dasar matematika. Namun jika dalam sesaat kita ingin melakuakan operasi yang sama pada beberapa bilangan, perulangan operasi skalar akan menghabiskan waktu dan tentu saja tidak praktis. Untuk mengatasi masalah ini matlab menyediakan operasi pada array data. Array Sederhana Perhatikan masalah saat kita diharuskan untuk menggambar grafik dengan fungsi y = sin(x) ; 0 ≤ x ≤ π , tidak mungkin kita menghitung semua titik yang kita perlukan secara satu persatu. Sintaks sederhana untuk menunjukan semua titik tersebut adalah
>> x=0:20:180

x= 0 20 40 60 80 100 120 140 160 180
>> y=sin(x)

y= Columns 1 through 8 0 0.9129 0.7451 -0.3048 -0.9939 -0.5064 0.5806 0.9802 Columns 9 through 10 1 0.2194 -0.8012

20

Pada tulisan x=0:20:180 dimaksudkan dengan : • x merupakan variabel yang menampung array • 0 merupakan batas bawah dari array • 10 merupakan selang atau interval • 180 merupakan batas atas dari array Pada tulisan y=sin(x) dimaksudkan dengan : • y merupakan variabel array yang menampung perhitungan dengan sin x dimana x dari 0 sampai 180 dengan interval 10 Jika kita hanya membutuhkan nilai dari interval tertentu maka kita bisa menuliskannya dengan sintaks:
>> x(4) % elemen array ke 4

ans =

60

Maksudnya adalah nilai dari x yang ke empat dari array x adalah 60
>> y(5) % nilai array ke 5

ans =

-0.9939

maksudnya adalah nilai array y yang ke 5 adalah -0.9939 kita juga bisa menuliskan nilai array tertentu dengan menunjukan indeksnya contoh:
>> x(2:4)

ans =

20 40 60

maksudnya adalah semua nilai dengan indeks 2 sampai dengan 4 pada array x , 2:4 berarti menghitung dari 2 sampai 5

Array n dimensi Array yang kita bahas diatas merupakan array 1 dimensi, gabuangan dari array merupakan sebuah matriks, sekarang kita akan menuliskan bagaimana menuliskan array dalam n dimensi. Contoh:
>> A=[1 2 3;4 5 6;7 8 9]

A=

1 2 3 4 5 6 7 8 9

merupakan matriks dengan 3 kolom dengan 3 baris dalam array kita juga bisa memanipulasi elemen elemen yang ada dalam array tersebut contohnya:
>> A(3,3)=0

A=

1 2 3 4 5 6 7 8 0

maksudnya mengganti elemen 3,3 menjadi 0 untuk mengetahui jumlah array kita gunakan sintaks size: contoh:
>> size(A)

ans =

3 3

21

maksudnya matriks A merupakan matriks 3 x 3 Menciptakan matriks B dengan urutan baris A yang dibalik
>> B=A(3:-1:1,:)

B=

7 8 0 4 5 6 1 2 3

mengganti semua elemen baris ke 2 dari matriks B dengan 0 maka sintaksnya:
>> B(2,:)=0

B=

7 8 0 0 0 0 1 2 3

Untuk membuat transpose dari matriks B kita gunakan sintaks:
>> E=B'

E=

7 0 1 8 0 2 0 0 3

sehingga bentuk dari perkalian manual yang ada dimatriks ada yang langusng digunakan pada sintaks matlab.

Contoh Penggunaan Aplikasi Array Problem: Elemen radioaktif polonium mempunyai waktu paruh 140 hari, yang berarti bahwa, karena radoaktif meluruh, jumlah polonium yang tertinggal setelah 140 hari adalah setengah dari jumlah semula. Jika dimiliki 10 gram polonium hari ini, berapa banyak yang tersisa pada akhir setiap minggu selama 10 minggu ? Penyelesaian : Menggunakan persamaan : Jumlah_tinggal = jumlah_semula*0.5waktu/waktu_paruh Untuk masalah ini, solusi dari MATLAB adalah :
>> initial_amount=10; >> half_life=140; >> time=7:7:70 %akhir dari 10 minggu pertama

time = 7 14 21 28 35 42 49 56 63 70
>> amount_left=initial_amount*0.5.^(time/half_life)

amount_left = Columns 1 through 8 9.6594 9.3303 9.0125 8.7055 8.4090 8.1225 7.8458 7.5786 Columns 9 through 10 1 7.3204 7.0711 Dengan matematika array sangat mudah untuk mengevaluasi suatu ekspresi dengan banyak nilai untuk satu variabel. Perhatikan bahwa pemangkatan titik .^ digunakan karena kita ingin

22

menghitung 0.5 yang akan dipangkatkan dengan setiap elemen pada array eksponen. Data ini dengan mudah digambarkan dengan matlab.
>> plot(time/7,amount_left) >> xlabel('Jumlah Minggu'),ylabel('Jumlah Polonium tersisa')

hasilnya:

Contoh Perhitungan Konsentrasi dengan Matematika Array Problem : Sebagai bagian dari suatu proses pembuatan suku cadang di suatu proses pembuatan suku cadang di suatu pabrik otomatis, suku cadang tersebut dicelupkan ke air untuk pendinginan, kemudian dicelup dibak air asam untuk membersihkan. Setelah beberapa lama, konsentrasi larutan asam menurun karena air saat pencelupan bertambah dan larutan yang terbuang saat suku cadang tadi diambil dari bak. Untuk memelihara kualitas, keasaman larutan asam tidak boleh kurang dari suatu batas minimum. Dimulai dengan konsentrasi asam 90%. Jika konsentrasi minimum adalah 50%, air yang bertambah ke bak asam adalah 1% dari volume bak, dan 1 % dari larutan terbuang saat suku cadang dikeluarkan, berapa banyak suku cadang dapat dicelupkan ke bak air asam sebelum keasaman larutan dalam bak berada di bawah batas minimum? Penyelesaian :
%Script M file example.m initial_con=90; min_con=50; lost=1:10 % 1% sampai 10% dengan kenaikan 1% n=floor(log(initial_con/min_con)./log(1+lost/100)) stem(lost,n) xlabel('Persentase yang hilang setiap kali pencelupan') ylabel('Jumlah Pencelupan') title('Contoh Pencelupan Bak Air-Asam') hasil : >> example

lost = n=

1 2 3 4 5 6 7 8 9 10 59 29 19 14 12 10 8 7 6 6

23

 Akar akar Persamaan
Permasalahan pemecahan persamaan nonlinear sering muncul dari ebrbagai macam persoalan praktis. Bentuk umum permasalahannya secara sederhana adalah menemukan sebuah nilai variabel x sedemikian sehingga f(x) = 0, dimana f adalah sembarang fungsi nonlinear x, sedangkan x merupakan solusi atau akar persamaan ini. Sebelum kita lebih jauh tentang akar akar persamaan, sebelumnya kita ulas sedikit tentang bagaimana menggambarkan fungsi Contoh: Gambarkan fungsi dibawah ini : 1. y=(x – 1)3(x + 2)2 ( x – 3) ; 0 ≤ x ≤ 4 jawab :
% Gambar1.m x=0:0.1:4; y=((x + 1).^3).*((x + 2).^2) .*( x - 3); plot(x,y) xlabel('Sumbu x') ylabel('Sumbu y') Running : >>gambar1

Gambar dari fungsi y=(x – 1)3(x + 2)2 ( x – 3) ; 0 ≤ x ≤ 4

Jawab:

24

% Gambar2.m x=0:0.1:20; y=exp(-x/10).*sin(10*x); plot(x,y) xlabel('Sumbu x') ylabel('Sumbu y') Running : >>gambar2.m

Untuk persamaan non linear seperti diatas yang melibatkan fungsi transenden, tugas mencari akar akar merupakan pekerjaan yang cukup sulit apalagi ketika jumlah akar akarnya tidak diketahui atau mungkin tak terbatas banyak akarnya. (Lihat contoh no 2) . Sebetulnya secara sederhana kita bisa mencari titik di x yang berpotongan dengan sumbu y = 0 secara grafik( solusi grafik merupakan solusi juga) tapi itu masih terlalu kasar dan tidak terlalu akurat apalagi untuk fungsi fungsi yang tidak diketahui solusinya terletak di x berapa.  Metoda Newton Metoda ini merupakan solusi persamaan f(x) = 0 berdasarkan pada sifat geometri sederhana tangen. Metode ini membutuhkan beberapa aprokimasi awal untuk turunan f(x)nya berada pada daerah yang diinginkan.

25

Coba akar1
Function[res,it]=fnewton(func,dfunc,x,tol) % x adalah nilai awal, tol adalah akurasi yang diinginkan it=0; xo=x; d=feval(func,xo)/feval(dfunc,xo); while abs(d)>tol x1=xo – d; it=it+1; xo=x1; d=feval(func,xo)/feval(dfunc,xo); end; res=xo

kita coba mencari sebuah akar persamaan(x – 1)3(x + 2)2 ( x – 3) = 0 untuk menggunkan metoda newton kita harus mendefinisikan fungsi dan turunannya sehingga :
function F=f302(x); F=x.^3 – 10.0*x.^2 + 29.0*x-20.0; Function F=f303(x); F=2*x.^2-20*x+29; Maka kita panggil f newton tadi sebagai berikut : >>[x,it]=fnewton(‘f302’,’f303’,7,.00005) x=5.0000 it=6

Permasalahan yang sering muncul dalam mencari akar adalah : 1 1. Mencari aprokimasi awal yang baik 2 2. Fungsi berkondisi ‘sakit’ 3 3. Memutuskan pada kriteria konvergensi yang paling cocok 4 4. Diskontinuitas pada persamaan yang dipecahkan

 Fungsi fZero
Beberapa metoda di pencarian akar ini punya kelebihan dan kekurangannya. Metode Brent mengkombinasikan interpolasi kuadratik inversi dengan bisection untuk mendapatkan metode

26

yang powerfull yang terbukti cukup sukses yang mempunyai jangkauan yang luas pada permasalahan yang cukup sulit. Variasi metode ini secara langsung tersedia pada matlab yaitu fzero. Misalnya untuk dengan toleransi 0.00005 Jawab
function F=f307(x); F=(exp(x)-cos(x)).^3; %file utama x=-4:.0:0.5; plot(x,f307(x));grid on; xlabel('Sumbu X');ylabel('Sumbu Y'); root=fzero('f307',1.65, 0.00005); fprintf('Akar persamaan ini adalah %6.4f \n',root);

 Deferensial dan Pengintegralan Diferensial dan Integral merupakan operasi fundamental dalam kalkulus dan hampir setiap bidang matematika, sains dan teknik. Menentukan turunan fungsi secara analitik mungkin menyulitkan meskipun relatif langsung. Pembalikan dari proses ini akan menentukan integral fungsi, tapi lebih sering sulit jika secara analitik atau bahkan tidak mungkin. Dalam Matlab, diferensial untuk fungsi polinom adalah relatif mudah. Misalnya f(x) = x5 + 2x4 + 5x2 + 7x + 3 maka ambilah koefisien koefisiennya.

Contoh:
>> g=[1 2 5 7 3]

g= 12573
>> h=polyder(g)

h= 4 6 10 7

27

Bentuk-bentuk deferensial lain juga bisa diperoleh apalag jika menggunakan symbolyc math toolbox. Tapi tidak setiap matlab dilengkapi dengan toolbox ini. Namun itu tidak masalah, kita akan coba membuat sendiri penyelesaiannya dengan memanfaatkan deret Taylor.  Diferensial Numerik
function q=diffgen(func,n,x,h); if ((n=1)|(n==2)|(n==3)|(n==4)) c=zeros(4,7); c(1,:)=[ 0 1 -8 0 8 -1 0]; c(2,:)=[0 -1 16 -30 16 -1 0]; c(3,:)=[1.5 -12 19.5 0 -19.5 12 -1.5]; c(4,:)=[-2 24 -78 112 -78 24 -2]; y=feval(func,x+ [-3:3]*h); q=c(n,:)*y' ; q = q/(12*h^n); else disp('n harus 1, 2, 3 atau 4 ');break end

Penggunaan fungsi diatas: Jika kita mempunya y = cos(x) dan kita akan menghitung turunan kedua dengan x = 1.2 dengan h atau ketelitian 0.01 maka dituliskan:
>> hasil=diffgen('cos',2,1.2,.01)

hasil = -0.3624 Jika kita ingin menghitung sebuah diferensial disuatu titik maka kita harus mendefinisikan fungsinya terlebih dahulu.  Integrasi Numerik Integral biasanya didefinisikan sebagai proses penjumlahan tetapi juga diinterpretasikan sebagai daerah dibawah kurva y = f(x) dari a ke b

daerah diatas x dihitung positif sementara dibawah x dihitung negatif. Banyak metode numerik untuk integrasi didasarkan pada impretasi untuk mendapatkan aprokimasi integralnya. Misalnya fungsi trapz berdasarkan impretasi bangunan trapesium. Kita akan mencoba menghitung integral dengan berbagai metoda numrik untuk menghitung integral fungsi

Jawab: Pertama kita buat dulu fungsi dari persamaan diatas function y=humps(x) y=1./(x-3).^2+.01)+1./((x-9).^2+.04)-6; 1. Mengitung menggunakan trapz
>> x=-1:.17:2; >> y=humps(x); >> area=trapz(x,y) area = -16.6475

2. Menghitung menggunakan quad

28

>> x=-1:.17:2; >> y=humps(x); >> area=quad('humps',-1,2)

area = -17.2104 Permasalahan yang mungkin muncul adalah : 1 1. Fungsi kontinu pada daerah integral tetapi turunannya diskontinu atau singular 2 2. Fungsi diskontinue pada daerah integrasi 3 3. Fungsi mempunyai singularitas pada daerah integrasi 4 4. Daerah integrasi tak berhingga

TUGAS 1. Dari contoh-contoh program yang sudah anda jalankan, coba berikan penjelasan arti setiap perintah terhadap output yang dihasilkannya. 2. Tuliskan matlab function d = dsc(c) yang menjadikan array angka c menjadi angka d yang merupakan array c tanpa angka yang saling berdekatan. Misalkan c = [1 2 2 2 3 1] maka d = [1 2 3 1]. 3. Dalam masalah statistik, biasanya dihitung rata-rata aritmatika terbeban dari array x. Rata-rata aritmatika terbeban didefiniskan sebagai:

Tuliskan MATLAB function y = wam(x, w) dari definisi di atas. Tambahkan pesan error jika besar w dan x tidak sama. 4. Tuliskan MATLAB function p = fact(n) yang

mengambil integer non negatif dari n dari fungsi factorial n!=1*2*…*n. Tambahkan pesan error ke code anda jika parameter input merupakan angka negatif

29

MODUL 3 SINYAL DAN SISTEM

1. Sinyal Elementer a. Sinyal Unit Step >> t=[-1:0.001:1]; >> ustep=heaviside(t); >> plot(t,ustep, 'LineWidth',10)

Gambar 1.a.1 Bila ingin dikalikan dengan sinyal lain, misal untuk membentuk sinyal ramp, gunakan perkalian dot ( .* ) b. Sinyal Delta Dirac >> udirac=dirac(t); >> plot(t,udirac, 'LineWidth',2)
>>ydirac=[1 zeros(1,99)]’; dengan 100 sampel >>ystep=ones(1,100)’; >>y=t’ >>y=(t. ^ 2)’ %dirac

Gambar 1.b.1 30

c. Delta Dirac sebagai Differensial dari Unit Step dan Unit Step sebagai Integral dari Delta Dirac >> syms k a t >> u=k*sym('heaviside(t-a)') u= k*heaviside(t-a) >> d=diff(u) d= k*dirac(-t+a) >> int(d) ans = k*heaviside(t-a) 2. Definisi Tranformasi Laplace Transformasi Laplace

Sifat Transformasi Laplace

31

Transformasi Laplace untuk Beberapa Fungsi yang Umum Digunakan

32

Penggunaan Laplace Misal, dalam suatu analisis sistem dengan transformasi Laplace, didapat sinyal keluaran memiliki memiliki bentuk dalam domain kompleks sebagai berikut.

Untuk mendapatkan nilai di domain waktu, digunakan fraksionalisasi atau teorema residu kemudian transformasi balik. Biasanya, setelah dipecah menjadi sejumlah suku pecahan, transformasi balik menjadi mudah karena bentuknya adalah bentuk umum.

Catatan: Pole adalah nilai yang membuat nilai fungsi menjadi tak berhingga Zero adalah nilai yang membuat nilai fungsi menjadi nol

33

Contoh: Tentukan Fungsi berikut ini di domain waktu.

Dari Tabel, didapat bahwa

Maka

Dengan Matlab, fungsi yang residue(num,den), ilapace(Fs). Factor >> syms s >> factor(s^3 + 12*s^2 + 44*s + 48) ans = (s+4)*(s+2)*(s+6)

bisa

digunakan

adalah

factor(polynom),

Fungsi factor memiliki kekurangan ketika harus memfaktorkan suatu polinom bila ada akar yang berupa bilangan kompleks. Sebagai gantinya, gunakan fungsi roots(polynom). Residue >> Ns=[3 2]; >> Ds=[1 3 2]; >> [r p k]residue(Ns,Ds) r= 4 -1 p= -2 -1 k= [] 34

Ilaplace >> syms s >> Fs=(3*s+2)/(s^2+3*s+2); >> ft=ilaplce(Fs) ft = 4*exp(-2*t)-exp(-t) 3. Definisi Transformasi Fourier

Sifat Transformasi Fourier

35

Bentuk Transformasi Fourier Fungsi yang Sering Digunakan

Transformasi Fourier dengan Matlab >> syms t v w x; >> ft=exp(0.5*(-t^2)); >> Fw=fourier(ft) Fw = 2^(1/2)*pi^(1/2)*exp(-1/2*w^2) >> pretty(Fw) 1/2 1/2 2 2 pi exp(- 1/2 w ) >> ft=ifourier(Fw) ft = exp(-1/2*x^2)

36

4. Transformasi Z Definisi

Sifat Transformasi Z

37

Transformasi Z dari Fungsi yang Sering Digunakan

Contoh: Gunakan metoda fraksionalisasi untuk mencari inverse z-transform dari fungsi berikut

Solusi

38

Dari tabel bentuk umum, didapat Sehingga Berikut ini adalah pemeriksaan dengan Matlab >> syms n z; >> fn=2*(0.5)^n-9*(0.75)^n+8; >> Fz=ztrans(fn) Fz = 4*z/(2*z-1)-12*z/(4/3*z-1)+8*z/(z-1) >> simple(Fz) ans = 8*z^3/(2*z-1)/(4*z-3)/(z-1) >> iztrans(Fz) ans = 2*(1/2)^n-9*(3/4)^n+8

39

I.

SINYAL SEBAGAI VEKTOR DAN MATRIKS

Vektor yang merupakan 1 kali n atau n kali 1 matriks dapat digunakan sebagai representasi dari sampel data sinyal. Orientasi kolom lebih dipilih dibandingkan orientasi baris pada representasi vektor. Misalkan y adalah kumpulan tiga sinyal yang merupakan fungsi dari x: >> x=[4 3 7 -9 1]; >>x=x’ >>y=[x 2*x x*pi]; MATLAB mempunyai variasi fungsi untuk mensintesis sinyal. Dimulai dengan vektor yang merepresentasikan waktu. Contoh 1: Misalkan diinginkan untuk mensintesis sinyal dengan 1000 Hz frekuensi sampel, maka, >>t=0:0.001:1 1001 elemen ini merupakan baris vektor yang merepresentasikan waktu yang berjalan dari nol sampai satu detik dengan kenaikan 1 milidetik. Sampel sinyal y terdiri dari dua sinusoidal, satu pada 0.5 Hz dan satu lagi pada 120 Hz dengan gain amplitude dua kali. Sinyal dapat direpresentasikan sebagai berikut: >>y=sin(2*pi*50*t) + 2* sin(2*pi*120*t); Dapat pula dibangun white noise pada sinyal, dan memplot 50 titik pertama dengan >> yn = y + 0.5*randn(size(t)); >> plot(t(1:50),yn(1:50)); Save Filenya Berikut ini adalah perintah yang membangkitkan sinyal delta (dirac), step, dan ramp >>ydirac=[1 zeros(1,99)]’; %dirac dengan 100 sampel >>ystep=ones(1,100)’; >>y=t’ >>y=(t. ^ 2)’ II. ANALISIS FILTER DAN IMPLEMENTASI

Toolbox dari MATLAB mempunyai fungsi untuk mendisain filter, baik analog maupun digital, dan fungsi untuk memfilter data. Filter juga dapat digunakan untuk merepresentasikan dinamik dari suatu sistem. Dalam hal ini, disain filter merupakan berntuk invers: Diberikan input dan output, dapat dicari filter yang menghasilkan relasi input output yang mirip. II.1 Implementasi Filter dalam Time Domain Toolbox MATLAB memberikan fungsi yang mengimplementasikan operasi filter domain waktu: yaitu fungsi filter (help filter). Fungsinya adalah: y=filter(b,a,x) Dengan x adalah vektor data dan b dan a adalah vektor filter dan y adalah hasil dari filter. Struktur filter digambarkan sebagai tapped-delay line yang digambarkan dalam persamaan diferensial: a(1)*y(n) = b(1)*x(n) + b(2)*x(n-1) + ... + b(nb+1)*x(n-nb) - a(2)*y(n-1) - ... - a(na+1)*y(n-na)

40

Contoh 2: Misalkan untuk mendapatkan dan mengeplot n-titik respon impuls yang melewati filter digital Butterworth orde 10: n=100; [b,a]=butter(10,0.5); x=[1 zeros(1,n-1)]; y=filter(b,a,x); figure(1), plot(y) Save Filenya II.2 Implementasi Filter dalam Frekuensi domain Infinite Impulse Response (IIR) dapat diimplementasikan dalam frekuensi domain dengan mengalikan Discrete Fourier Transform (DFT) dari sekuen data dengan DFT dari filter (DFT pada MATLAB dapat dilakukan dengan menggunakan fungsi fft) n=length(x); y=ifft ( fft(x) .* fft(b,n) ./ fft(a,n)); figure(2), plot(real(y)); Save Filenya II.3 RESPON FREKUENSI Beberapa fungsi yang dapat digunakan adalah abs  fungsi magnitude angle  sudut fasa freqs  response frekuensi Laplace Transform freqz  response frekuensi Transformasi-z grpdelay  group delay unwrap  unwrap phase Fungsi freqz: [h,w]=freqz(b,a,n) memberikan n-titik respon frekuensi, H(ejw) dari filter digital jw -jw -jmw jw B(e) b(1) + b(2)e + .... + b(m+1)e H(e) = ---- = -----------------------------------jw -jw -jnw A(e) a(1) + a(2)e + .... + a(n+1)e Magnitude dan phase dari filter dapat diekstrak dari bilangan kompleks response frekuensi, dengan fasa dalam derajat, [h,w]=freqz(b,a,n) m=abs(h) p=angle(h) figure(1), semilogy(w,m), figure(2), plot(w,p*180/pi) Group delay adalah ukuran delay rata-rata dari filter sebagai fungsi dari frekuensi. Didapatkan dari turunan pertama respon phase dari filter. Fungsi dari Group delay adalah [gd,w]=grpdelay(b,a,n) gd=grpdelay(b,a,128); [h,w]=freqz(b,a,128); pd=-unwrap(angle(h))./w; plot(w,gd,w,pd)

41

TUGAS 1. Turunkan koefisien filter untuk rangkaian dibawah ini dan gunakan untuk mencari gambar respon input step pada rangkaian tersebut. Dengan menggunakan a. implementasi time-domain dan b. frekuensi domain.

1 KΩ Vin=unit step
+ _

1 nF

Vout

42

MODUL 4 ANALISIS DAN DESAIN FILTER ANALOG

Filter analog berada pada rentang frekuensi kontinu. Diklasifikasikan sebagai low pass, high pass, band pass, dan stop band. Karakteristik idealnya adalah seperti gambar berikut:

Contoh:

Respon frekuensi menggunakan MATLAB antara magniotude |G(jw)| versus frekuensi w (radian) dan sudut fasa versus frekuensi w (radian) dengan RC = 1 dapat dituliskan: >> >> TUGAS 1 Gambarkan respon magnitude |G(jw)| dan sudut fasa terhadap frekuensi untuk rangkaian dibawah ini dengan RC = 1:

43

Disain LPF Filter Analog Fungsi adalah transfernya

disebut dengan aproksimasi all pole orde dua pada low pass filter ideal dengan cutoff frekuensi di wc, K adalah gain, dan koefisien a dan b didapat dari tabel. Untuk suatu gain K non-inverting, rangkaian di atas memenuhi fungsi transfer dengan kondisi:

Sehingga Filter all pole orde 4 dapat dituliskan

didapatkan dari rangkaian di atas yang dikaskade-kan

44

Langkah2 Disain (Butterworth Low Pass Filter) Untuk disain yang praktis rangkaian orde dua, dilakukan langkah2 berikut • Pilih C1 dan C2 standard, • dimasukkan harga koefisien a dan b dari Tabel 11.13, • Pilih gain K dan cutoff frequency wC • Masukkan ke persamaan diatas untuk mendapatkan R1 sampai R4

Contoh: Disain Butterworth low-pass filter dengan gain K = 2 dan cutoff frequency fc = 1 kHz (prototype opamp 11.13) • Pilih C1 = C2 = 0,01μF = 10-8. • Dari Tabel a = 1,41421 = √2 dan b = 1 • Masukan harga-harga ke persamaan dengan penulisan dalam program MATLAB sebagai berikut:

TUGAS 2 Buat respon magnitude dari rangkaian di atas menggunakan harga R1 sampai R4 yang didapat dari contoh di atas. (f = 1:10:5000) • Disain Butterworth Filter Dengan buttap (Butterworth Analog Prototype) 45

Disain low pass filter dengan 3 pole Butterworth menggunakan buttap dengan frekuensi cutoff fC = 2KHz atau wC=2πx 2 x 103.

Contoh: Menggunakan perintah MATLAB cheb1ap(N,Rp) (chebichev tipe 1) dengan N adalah banyaknya pole dan Rp adalah ripple di pass band dan lp2hp (low pass to high pass) untuk mencari fungsi transfer Chebyshev 3 pole tipe 1. fc = 5 KHz

TUGAS III Gunakan perintah MATLAB buttap dan lp2bp(b,a,W0,Bw) (lowpass to bandpass) untuk mencari fungsi transfer Butterworth 3 pole dengan pass band frekuensi di 4 KHz dan Bandwidth = 2 KHz. Clue: Help lp2bp.

46

MODUL 5

APLIKASI INTERFACE SPTOOLS MATLAB DALAM MENDESAIN IIR DAN FIR DIGITAL FILTER
Aplikasi proses sinyal digital yang tersetting adalah filter. Filter berkaitan langsung dengan manipulasi spektrum sinyal, Untuk membangun sebuah filter digital dibutuhkan tiga komponen utama yaitu: adder (penambah), multiplier (pengali) dan delay (penunda). Penambah mempunyai dua input dan satu output yang hasilnya menambahkan masukan dari kedua input tersebut. Pengali adalah elemen penguat dan akan mengalikan sinyal input dengan suatu besaran konstanta tertentu. Penunda akan menunda satu cuplikan yang masuk. Pengolahan sinyal digital menggunakan transformasi diskrit, transformasi yang sering digunakan adalah transformasi z yang merupakan prosedur deret sinyal masukan x(n) menjadi deret sinyal keluaran y(n). Filter digital bekerja berdasarkan data masukan diskrit dari cuplikan-cuplikan sinyal kontinu, yang kemudian diubah oleh konverter analog ke digital menjadi data digital biner, data data digital inilah yang nanti dapat dimanipulasi kinerja dan spektrum sinyalnya dengan prosesor digital. Hasil dari data digital ini dikembalikan ke dalam bentuk analog bila diinginkan dengan konverter digital to analog . Penerapannya filter digital pada pengolahan sinyal dapat digunakan dalam noise reduction, image processing, antialiasing dan menghilangkan pseudoimages pada multirate processing, matched filtering, osilator digital .

Gambar 1. Proses pengolahan dalam filter digital, dengan pengubahan Beberapa keunggulan dari filter digital setelah melalui proses pengolahan sinyal adalah • Pengaturan frekuensi cuplikan sehingga daerah kerja yang dapat dipilih sangat lebar (meliputi frekuensi rendah dan frekuensi tinggi). Termasuk frekuensi sangat rendah sehingga dapat digunakan untuk aplikasi elektronika biomedis. • Respon fasa yang benar-benar linear. • Karena menggunakan programmable processor , respon frekuensi dapat dipilih secara langsung secara otomatis. • Beberapa singal masukan dapat disimpan untuk keperluan selanjutnya. • Berkembangnya teknologi pico memungkinkan penggunaan hardware yang lebih kecil, komsumsi daya yang kecil, menekan biaya produksi, dan single chip. Dalam implementasi filter digital kita dapat menggunakan block diagram signal flow graph. Seperti yang nampak dalam gambar di bawah ini atau

47

Gambar 2. Block Diagram dan Signal Flow Graph dari tiga elemen utama filter digital 5.1 Desain IIR dan FIR Terdapat dua jenis filter digital yang disebabkan karena adanya perbedaan penggunaan feedback dalam mendesain suatu filter digital. Yang pertama Jenis IIR (Infinite Impulse Response) yang menggunakan struktur feedback yang sering juga disebut dengan recursive structure, sedangkan yang kedua Jenis FIR (Finite Impulse Response) yang tidak menggunakan feedback yang sering disebut dengan nonrecursive structure. 5.2 FIR dan Signal Flow Graph Dalam desain IIR, sering sekali digunakan pendekatan transformasi bilinear . Desain ini dimulai dengan fungsi transfer analog filter dan menyajikannya dalam pemetaan domain s ke domain z. Dengan menggunakan persamaan differensial dapat ditunjukkan pemetaan dari bidang s ke bidang

dengan transformasi yang dikenal Tustin’s bilinear transformation

Pemetaan ini hasil dari bentuk umum filter IIR dengan sejmulah pole dan zero sembarang. Respon sistem dan persamaan differensial dari filter ini akan mengikuti perumusan sebagai berikut, dengan menggunakan operator shift time dari z maka filter dari H akan dapat direpresentasikan dengan fungsi

48

dalam implementasi sptools Matlab dapat digantikan dengan fungsi filter seperti filter(B,A,x) yang artinya melakukan implementasi H(z)=B(z)/A(z)dari input signal x. Vektor B mengandung koefisien dari polynomial B(z) dan vector A mengandung koefisien dari polynomial A(z) FIR dan signal Low Graph

Proakis, John G. and Manolakis, Dimitris G. Digital Signal Processing: Principles, Algorithms, and Applications, 3 Edition. Prentice Hall. Upper River, NL, 1996. p. 677 Biran Adrian , Breiner Moshe; MATLAB for engineers , Adison wesley, Wokingham, England, 1995. p.575 Ingle, Vinay K. and Proakis, John G. Digital Signal Processing Using Matlab . PWS Publishing Company, 1997. p.183 3 Proakis, John G. and Manolakis, Dimitris G. Digital Signal Processing: Principles, Algorithms, and Applications, 3 Edition. Prentice Hall. Upper River, NL, 1996. p. 620 Ingle, Vinay K. and Proakis, John G. Digital Signal Processing Using Matlab . PWS Publishing Company, 1997. p.197 5 5.3 Desain Low Pass Filter Desain low pass filter digital didesain dengan menggunakan berbagai prototype tiga jenis filter digital seperti Butterworth , Chebyshev tipe 1 dan elliptic . Filter optimum dipilih berdasarkan dari implementasi yang diinginkan termasuk tiga kriteria yang terutama: kompleksitas, respon besran dan respon fasa. • • • • • Frekuensi Cutoff = 1000Hz Frekuensi Sample = 8000Hz Ripple passband = 0,5dB Stopband attenuasi = 60dB Band Transisi = 100Hz

49

Matlab Code (Chebyshev):
% Lowpass digital filter with chebyshev-I analog prototype % % Digital Filter specifications: wp = 0.125*2*pi; % digital passband frequency in Hz (normalized) ws = 0.1375*2*pi; % digital stopband frequency in Hz (normalized) Rs = 0.5; % passband ripple in dB As = 20; % stopband attenuation in dB % Analog Prototype Spesifications: Fs = 1; T = 1/Fs; OmegaP = (2/T)*tan(wp/2); % prewaRs prototype passband frequency OmegaS = (2/T)*tan(ws/2); % prewaRs prototype passband frequency % Analog Chebyshev-1 Prototype Filter Calculation: [c,d] = cheby1(OmegaP,OmegaS,Rs,As,’stop’); % Bilinear Transformation: [b,a] = bilinear(cs,ds,Fs); % [db,mag,pha,grd,w] = freqz(b,a); plot (w*8000/2/pi,db) ; xlabel( ‘frequency (Hz)‘); ylabel (‘decibels’); title (‘magnitude in dB‘);

Mathlab juga menyajikan tampilan orde filter dan koefisien filter. Dalam contoh ini, filter Chebyshev dapat ber-orde sembilan . elliptic filter memiliki lima orde dan filter butterworth tiga puluh dua orde. Beberapa kesimpulan yang dapat dihasilkan dari desain filter low pass sederhana, pertama pada umumnya dapat dibuat himpunan batas desain. Desain filter cheby2tic akan menghasilkan filter tersederhana tergantung dari tingkat kekompleksitas bentuk (terms of complexity). Filter Butterworth yang paling umum dan kompleks berada dalam orde ke tigapuluh dua. Dalam bentuk ripple passband, filter butterworth memberikan respon optimum. Dalam passband, hampir tidak terdapat ripple hanya sebagai monotonic. elliptic dan chebyshev keduanya mempunyai lebih banyak ripple dalam passband. Inilah yang menjadi pilihan dari filter-filter yang digunakan. Dalam hal respon besaran dan kompleksitas, filter elliptic akan menjadi pilihan yang terutama, akan tetapi ripple elliptic mempunyai respon fasa yang lebih non linear dibandingkan filter Chebyshev dan Butterworth. Oleh karenanya ketajaman cutoff dengan kompleksitas rendah harus jatuh pada filter elliptic. Jika respon fasa yang dibutuhkan linear, maka filter Chebyshev atau Butterworth akan menjadi pilihan. Filter IIR didesain dengan menggunakan rutin yang dibuat oleh MH Akroyd's dalam publikasinya tentang Butterworths digital filter . Filter Butterworth digunakan secara maksimal dalam periode kedatarannya dalam passband, kondisinya pada monoton cut-off. Filter Butterworth dalam kondisi ternormalisasi dapat diimplementasikan sampai dengan derajat ke enam. Chebyschev tipe I memiliki ripple pada passband , monotonic cut-off dari frekuensi cut-off pada stopband. Pada implementasi derajat ke enam dengan ripple sebesar 1 dB (maksimum deviasi dari normal sebesar kurang lebih satu dB bukan satu dB dari besaran amplituda peak to peak ) Chebychev tipe II memiliki flat maksimal dari passband dan ripple dalam stopband. Maksimum ripple 40 dB dari stopband dan memiliki transisi 3% dari frekuensi cut-off.

50

5.4 Desain High Pass Filter Mathlab menyediakan fungsi implementasi untuk konversi low pass ke high pass dan konversi low pass ke band pass . Dengan menyediakan perangkat orde untuk filter, passband ripple dan frekuensi cutoff 3 dB ke fungsi cheby1(), sebuah filter high pass dapat didesain. Orde filter akan ditemukan dengan menggunakan fungsi chebord() . Untuk prototipe Butterworth, fungsi dari butter() dan buttord(). Untuk prototipe dari cheby2tic kita menggunakan cheby2() dan cheby2ord(). Di bawah ini adalah kode program Mathlab untuk desain Chebyshev highpass digital filter dengan band transisi passband dengan frekuensi 1100hz.
% highpass Chebyshev Digital Filter ws = [0.125 *2*pi]; % digital stopband frequency in rad/s wp = [0.1375*2*pi]; % digital passband frequency in rad/s Rs = 0.5; % passband ripple in dB As = 20; [N, wn] = cheb1ord(wp/pi,ws/pi,Rs,As) ; [b, a] = cheby1 (N, Rs, wn, ‘high’) ; [db,mag,pha,grd,w] = freqz_m(b,a) ; plot(w*8000/2/pi,db) ; axis ( [800 1200 -22 1] );

Band pass filter ditentukan dengan menggunakan dua fungsi. Untuk filter bandpass frekuensi ditentukan dengan wp dan ws yaitu frekuensi passband dan frekuensi stopband yang keduanya merupakan dua elemen vektor yang dapat menyebabkan dua frekuensi passband dan dua frekuensi stopband, Mathlab di bawah ini mendesain filter bandpass digital cheby2tik
% Bandpass Elliptic Digital Filter ws = [0 .3*pi 0.75*pi] %Stopband edge frequency ws = [0 .4* pi 0.6*pi] %Passband edge frequency Rs = 0.5; %Passband ripple in dB As = 20; %Stopband attenuation in dB [N, wn] = cheby2ord (wp/pi,ws/pi,Rs,As} ; [b, a] = cheby2(N, Rs, As ;wn) ; [db,mag,pha,grd,w] = freqz m(b,a) ; plot(w*8000/2/pi,db) ; axis ( [5000 3500 -22 1] ) xlabel(‘frequency (Hz)‘); ylabel(‘decibels’); title(‘magnitude in db Respons of cheby2tic Filter‘) ;

5.5 Signal Processing Tools Signal processing tool atau Sptools pada Matlab digunakan sebagai alat visualisasi untuk desain dan menganalisis filter digital. Sptool merupakan graphical user interface yang mampu menganalisis dan memanipulasi signal, filter dan spektrum frekuensi. Desain filter dengan Sptools memperbolehkan pengguna untuk memilih algoritma desain filter yang digunakan ketia membuat filter. Algoritma desain ini diantaranya terbagi untuk filter FIR dan filter IIR. Untuk filter FIR terbagi dalam equiripple, least squares, Kaiser Windows dan untuk fiter IIR adalah butterworth, chebyshev tipe 1 dan 2, serta elliptic. Pengguna juga diperbolehkan menspesifikasikan 51

filter lowpass, bandpass, high pass atau bandstop . Desain dari sptools filter akan ditampilkan dalam respon besaran dan tampilan orde filter. Berikut ini adalah contoh besaran respon dari bandpass filter yang didesain dalam kode program Matlab. Filter 4 Appendix
Function [b, a] = chb1 {Wp, Ws, Rs, As) ; % Analog Lowpass Filter Design: Chebyshev-1 % % [b, a] = chb1 (Wp, Ws, Rs, As) ; % b = Numerator coefficients of Ha (s) % a = Denominator coefficients of Ha (s) % Wp = Passband edge frequency in rad/sec % Ws = Stopband edge frequency in rad/sec % Rs = Passband ripple in dB % As = stopband attenuation in dB % if wp < = 0 error (‘Passband edge must be larger than 0 ‘ ) end if Ws < = Wp error ( ‘Stopband edge must be larger than Passband edge ‘ ) end if (Rs < = 0 ) (As < 0) error ( ‘PB ripple and/or SB attenuation must be larger than 0 ‘ ) end ep = sqrt (10 (Rs/10)-1) ; A = 10 (As/20) ; OmegaC = Wp; OmegaR = Ws/Wp; g = sqrt (A*A –1) /ep; N = ceil (log10 (g+sqrt (g*g–1) ) /log10 (OmegaR+sqrt (omegaR*AomegaR-1) ) ) ; Fprintf (‘\n*** Chebyshev-1 Filter Order = %2.Of \n’,N) ; [b, a] = ap chb1(N, Rs, OmegaC) ; function [b, a] = ap chb1(N, Rs, OmegaC) ; % Chebyshev-1 Analog Lowpass Filter Prototype % % [b, a] = ap chb1(N, Rs, OmegaC) ; % b = nemerator polynomial coefficients % a = denominator polynomial coefficients % N = Order of the cheby2tical filter % Rs = passband Ripple in dB % OmegaC = Cutoff frequency in rad/sec % [z , p , k] = cheblap (N, Rs) ; a = real (poly (p) ) ; aNn = a (N+1) ; p = p*omegac; a = real (poly (p) ) ; aNu = a (N+1) ; k = k*aNu/aNn; b0 = k; B = real (poly (z) ) ; b = k*B;

52

6. Argumen Sptools Untuk membuat filter butterworth di bawah ini adalah fungsi-fungsi yang disediakan oleh sptools Matlab untuk memanipulasi desain digital filter Untuk filter butterworth dimana H(z)=B(z)/A(z) [B,A] = butter[N,Wn] Menghitung koefisien dari low pass filter. Wn adalah frekuensi cutoff dalam frekuensi ternormalisasi. [B,A] = butter(n,Wn,’high’) Menghitung koefisien dari highpass butterworth filter. Wn adalah frekuensi cutoff dalam frekuensi ternormaliasi [B,A] = butter(N,Wn) Menghitung koefisein dari bandpass filter. Wn adalah vector yang berisi dari dua frekuensi cutoff ternormaliasi dari passband dalam urutan naik [B,A] = butter(N,Wn,’stop’) Menghitung koefisien dari bandstop butterworth filter, Wn adalah vector yang mengandung dua frekuensi cutoff ternormalisasi dalam stopband dalam urutan naik. Untuk desain dari chebyshev tipe 1 kita menggunakan variasi dari cheby1 dengan fungsi komputasi dari koefisien filter order keN dengan filter H(z)=B(z)/A(z) [B,A] = cheby1[N,Rp,Wn] Menghitung koefisien dari low pass filter Chebyshev tipe 1. Rp mewakili ripple passband dan Wn adalah frekuensi cutoff dalam frekuensi ternormalisasi. [B,A] = cheby1(N,Rp,Wn,’high’) Menghitung koefisien dari highpass chebyshev tipe 1 filter. Rp mewakili ripple passband dan Wn adalah frekuensi cutoff dalam frekuensi ternormaliasi [B,A] = cheby1(N,Rp,Wn) Menghitung koefisien dari bandpass ripple, dengan Rp mewakili passband ripple dan Wn adalah vector yang berisi dari dua frekuensi cutoff ternormaliasi dari passband dalam urutan naik [B,A] = cheby1(N,Rp,Wn,’stop’) Menghitung koefisien dari bandstop chebyshev tipe filter, dimana Rp mewakili dari passband ripple. Wn adalah vektor yang mengandung dua frekuensi cutoff ternormalisasi dalam stopband dalam urutan naik. Untuk desain dari chebyshev tipe II kita menggunakan variasi dari cheby2 dengan fungsi komputasi dari koefisien filter order keN dengan filter H(z)=B(z)/A(z) [B,A] = cheby2[N,Rs,Wn] Menghitung koefisien dari low pass filter Chebyshev tipe 2. Rs mewakili stopband ripple dan Wn adalah frekuensi cutoff dalam frekuensi ternormalisasi. [B,A] = cheby2(N,Rs,Wn,’high’) Menghitung koefisien dari highpass chebyshev tipe 2 filter. Rs mewakili ripple stopband dan Wn adalah frekuensi cutoff dalam frekuensi ternormaliasi [B,A] = cheby2(N,Rs,Wn) Menghitung koefisien dari bandpass dengan Ws adalah stopband ripple dan Wn adalah vector yang berisi dari dua frekuensi cutoff ternormaliasi dari passband dalam urutan naik [B,A] = cheby2(N,Rs,Wn,’stop’) Menghitung koefisien dari bandstop chebyshev tipe filter, dimana Rs mewakili dari stopband ripple. Wn adalah vektor yang mengandung dua frekuensi cutoff ternormalisasi dalam stopband dalam urutan naik.

53

Untuk desain dari chebyshev tipe II kita menggunakan variasi dari cheby2 dengan fungsi komputasi dari koefisien filter order keN dengan filter H(z)=B(z)/A(z) [B,A] = ellip[N,Rp, Rs,Wn] Menghitung koefisien dari low pass filter Chebyshev tipe 2. Rp mewakili ripple passband, Rs mewakili stopband ripple dan Wn adalah frekuensi cutoff dalam frekuensi ternormalisasi. [B,A] = ellip(N,Rp,Rs,Wn,’high’) Menghitung koefisien dari highpass chebyshev tipe 2 filter. Rp mewakili ripple passband, Rs mewakili ripple stopband dan Wn adalah frekuensi cutoff dalam frekuensi ternormaliasi [B,A] = ellip(N,Rp,Rs,Wn) Menghitung koefisien dari bandpass dengan Rp mewakili ripple passband dengan Ws adalah stopband ripple dan Wn adalah vector yang berisi dari dua frekuensi cutoff ternormaliasi dari passband dalam urutan naik [B,A] = ellip(N,Rp,Rs,Wn,’stop’) Menghitung koefisien dari bandstop chebyshev tipe filter, dimana Rp mewakili ripple passband, Rs mewakili dari spassband ripple. Wn adalah vektor yang mengandung dua frekuensi cutoff ternormalisasi dalam stopband dalam urutan naik.

54

MODUL 6

ANALISIS DAN DESAIN FILTER DIGITAL
Filter digital adalah proses komputasi (algoritma) yang mengubah satu sekuen angka x[n] yang merepresentasikan input ke sekuen y[n] yang merepresentasikan output. Yang dimaksud dengan komputasi disini adalah memperformansikan fungsi integrasi, diferensiasi, dan estimasi. Filter dijital diklasifikasikan dalam bentuk durasi response impuls dan dalam bentuk realisasi. Durasi Response Impuls 1. Filter dijital Infinite Impuls Response (IIR) mempunyai impuls response h[n] dengan jumlah sampel tak hingga 2. Filter dijital Finite Impuls Response (FIR) mempunyai impuls response h[n] dengan jumlah sampel berhingga Realisasi 1. Realisasi Filter Dijital Rekursif dimana output nya bergantung pada input dan harga output sebelumnya. 2. Realisasi Filter Dijital Non-rekursif dimana output bergantung pada harga input sekarang dan lampau.

55

Transformasi Bilinear 

; Ts: Periode Sampling

Contoh 1: (Disain Filter Digital)
Hitung fungsi transfer G(z) dari digital filter low pass dengan 3dB frekuensi cutoff pada 20 Hz dan atenuasi paling kecil 10 dB untuk frekuensi di atas 40 Hz. Sampling frekuensinya adalah 200 Hz. Solusi 1: Kita akan menggunakan transformasi bilinear. Secara acak kita memilih orde dua Butterworth low pas filter, yaitu %Buat pada mfiles [z,p,k]=buttap(2) %memberikan zero poles untuk filter %butterworth [b,a]=zp2tf(z,p,k) %transformasi zeropoles ke domain s %run program ini Dari hasil tersebut diketahui bahwa fungsi transfer filter dengan frekuensi ternormalisasinya adalah

Kemudian kita harus mentransformasikan ke frekuensi cutoff yang sebenarnya yaitu 20 Hz. Kita namakan sebagai Ga(s). Pertama kita gunakan hubungan frekuensi analog dengan frekuensi digital yaitu:

Dengan analog cutoff nya 3dB pada frekuensi wac, dan frekuensi atenuasi waa, didapatkan

dan

Untuk mencari Ga(s) kita gantikan s dengan s/0.325 sehingga

56

Penulisan MATLAB untuk ekspresi ini adalah: %Buat pada mfiles baru Syms z; simple(0.1056/(((z-1)/(z+1))^2+0.4596*(z-1)/ (z+1)+0.1056)) %lihat hasilnya dicommand windows %kemudian expand(264*(z+1)^2) Sehingga fungsi transfernya adalah

Dengan menggunakan syntax freqz pada MATLAB maka kita bisa mendapatkan magnitude dari G(z) tapi kita harus mendefinisikannya dalam power negatif. Pembagian tiap bentuk dengan 391z2 didapatkan:

MATLAB code dibawah ini akan memberikan plot magnitude G(z) terhadap frekuensi: %Buat pada mfiles baru bz=[0.0675 0.1349 0.0675]; az=[1 .1.1429 0.4127]; [Gz, wT]=freqz(bz,az,20,200); semilogx(wT,abs(Gz)), axis([0.1 1000 0 1]), hold on; title('Digital Low-Pass Filter'), xlabel('Frequency in Hz'), ylabel('Magnitude'), grid %Gambar yang anda dapatkan adalah Gambar Digital low pass filter pada contoh 1

Contoh 2:
Fungsi transfer dibawah ini mendefinisikan beberapa tipe filter digital. Gunakan freqz MATLAB untuk memplot magnitude versus radian frekuensi.

57

Solusi: MATLAB code untuk menghitung dan mengeplot fungsi transfer di atas adalah: % Buat di m files baru % N=512 % Default b1=[2.8982 8.6946 8.6946 2.8982]*10^(.3); a1=[1 .2.3741 1.9294 .0.5321];... [G1z,w1T]=freqz(b1,a1); % b2=[0.5276 .1.5828 1.5828 .0.5276]; a2=[1 .1.7600 1.1829 .0.2781];... [G2z,w2T]=freqz(b2,a2); % b3=[6.8482 0 -13.6964 0 6.8482]*10^(.4); a3=[1 3.2033 4.5244 3.1390 0.9603];... [G3z,w3T]=freqz(b3,a3); % b4=[0.9270 .1.2079 0.9270]; a4=[1 .1.2079 0.8541];... [G4z,w4T]=freqz(b4,a4); clf; % clear current figure % subplot(221), semilogx(w1T,abs(G1z)), axis([0.1 1 0 1]), title('Filter for G1(z)') xlabel(''),ylabel('Magnitude'),grid; % subplot(222), semilogx(w2T,abs(G2z)), axis([0.1 10 0 1]), title('Filter for G2(z)') xlabel(''),ylabel('Magnitude'),grid; % subplot(223), semilogx(w3T,abs(G3z)), axis([1 10 0 1]), title('Filter for G3(z)') xlabel(''),ylabel('Magnitude'),grid; %

58

subplot(224), semilogx(w4T,abs(G4z)), 1]), title('Filter for G4(z)') xlabel(''),ylabel('Magnitude'),grid; %Lihat hasilnya..

axis([0.1

10

0

Contoh 3:
Rectifier Setengah Gelombang dapat direpresentasikan dalam bentuk trigonometrik:

Dalam contoh ini kita akan memfilter hanya 2 bentuk awal (atau menghilangkan bentuk cosinus). Untuk menyederhanakan bentuk ini, misalkan A = 3π dan kita potong dengan menghilangkan dari bentuk ketiga ke atas, sehingga fungsinya menjadi: Masalahnya menjadi bagaimana mengurangi filter low pass digital dan menggunakan perintah filter untuk menghilangkan bentuk cosine di atas. Solusi: Kita akan menggunakan 6 pole digital low pass filter Butterworth karena kita harus mempunyai transisi yang tajam antara 1 dan 2 rad / detik. Dan juga, komponen frekuensi tertinggi adalah 2 rad/s, kita harus menspesifikasikan frekuensi sampling ws = 4 rad/s untuk menghindari aliasing. Sehingga frekuensi sampling haruslah fs = ws/2π = 2/π dan periode sampling menjadi Ts = 1/fs = π/2. T = 0.5 adalah harga yang cukup kecil; Cutoff frekuensi kita pilih wC = 1.5 rad/s untuk mengatenuasi bentuk cosine. MATLAB code di bawah ini adalah meliputi langkah-langkah: 1. Menghitung numerator dan denominator dari fungsi transfer dengan frekuensi cutoff ternormalisasi 2. Perhitungan koefisein untuk frekuensi yang diinginkan 3. Menggunakan fungsi bilinear yang memetakan fungsi transfer analog ke fungsi transfer digita dan memplot respon frekuensi dari filter digital. 4. Menghitung filter digital transfer function untuk menghitung efek warping. 5. Menggunakan fungsi filter untuk menghilangkan bentuk cosine %Buat pada m files baru %Langkah 1 [z,p,k]=buttap(6); [b,a]=zp2tf(z,p,k); % Langkah 2 wc=1.5; [b1,a1]=lp2lp(b,a,wc); % % Langkah 3 T=0.5; % Define sampling period [Nz,Dz]=bilinear(b1,a1,1/T); w=0:2*pi/300:pi;

59

Gz=freqz(Nz,Dz,w); clf % semilogx(w,abs(Gz)); grid; hold on xlabel('Radian Frequency w in rads/sec'), ylabel('Magnitude of G(z)'), title('Digital Filter Response in Normalized Frequency') % fprintf('Press any key to continue \n'); pause; % % Langkah 4 p=6; T=0.5; wc=1.5; wd=wc*T/pi; [Nzp,Dzp]=butter(p,wd); fprintf('Summary: \n\n'); fprintf('WITHOUT PREWARPING: \n\n'); fprintf('The num N(z) coeff in desc order of z are: \n\n'); fprintf('%8.4f \t',[Nz]); fprintf('\n\n'); fprintf('The den D(z) coeff in desc order of z are: \n\n'); fprintf('%8.4f \t',[Dz]); fprintf('\n\n'); fprintf('WITH PREWARPING: \n\n'); % fprintf('The num N(z) coeff in desc order of z are: \n\n'); fprintf('%8.4f \t',[Nzp]); fprintf('\n\n'); fprintf('The den D(z) coeff in desc order of z are: \n\n'); fprintf('%8.4f \t',[Dzp]); fprintf('\n\n');

Setelah didapatkan harga tersebut maka diteruskan dengan langkah 5. % buat di m file yang sama dengan di atas % Langkah 5 % Nzp=[0.0008 0.0050 0.0125 0.0167 0.0125 0.0050 0.0008]; Dzp=[1.0000 -3.1138 4.4528 -3.5957 1.7075 -0.4479 0.0504]; n=0:150; T=0.5; gt=3+1.5*sin(n*T)-cos(2*n*T);

60

yt=filter(Nzp,Dzp,gt); % t=0:0.1:12; gta=3+1.5*sin(t)-cos(2*t); subplot(211), plot(t,gta), axis([0,12, 0, 6]); hold on xlabel('Continuous Time t'); ylabel('Function g(t)'); % subplot(212), plot(n*T,yt), axis([0,12, 0, 6]); hold on xlabel('Continuous Time t'); ylabel('Filtered Output y(t)'); % subplot(211), stem(n*T,gt), axis([0,12, 0, 6]); hold on xlabel('Discrete Time nT'); ylabel('Discrete Function g(n*T)'); % subplot(212), stem(n*T,yt), axis([0,12, 0, 6]); hold on xlabel('Discrete Time nT'); ylabel('Filtered Output y(n*T)'); %Ouput Analog dan Dijital dapat dilihat di hasil Gambar

61

MODUL 7 JARINGAN SYARAF TIRUAN (PERCEPTRON)

MATLAB menyediakan toolbox untuk menyelesaikan masalah jaringan syaraf tiruan (JST). Spesifikasi perceptron jaringan pada MATLAB adalah sebagai berikut:  Masukan point dan target berbentuk bebas  Treshold yang dipakai adalah nol  Fungsi aktivasi (hardlim) memiliki output biner  Bobot diubah berdasarkan error yang terbentuk dari selisih antara target yang diinginkan dan keluaran jaringan.

Pembentukan Jaringan
1 b1 w11 x
1

b2 w21 w13

y
1

x
2

y w22 w23
2

x
3

Misalkan bobot jaringan ke target y1 adalah [-1 0 2], bobot ke target y2 adalah [0 1 0] dan bobot bias adalah [1 2]. Statement yang digunakan untuk membangun jaringan adalah net.IW{1,1}=[-1 0 2;0 1 0] net.b{1}=[1;2] Untuk membentuk perceptron untuk mengenali fungsi logika ”AND” dengan 2 variabel x1 dan x2, digunakan statement net=newp(PR,S,TF,LF) dengan PR=matriks ordo R x 2 menyatakan nilai maksimum dan minimum tiap unit masukan S=jumlah neuron dari target TF=fungsi aktivasi biner LF=fungsi pelatihan. (default: learnp) Sehingga: %lanjutkan net=newp([0 1 ; 0 1], 1) dengan [0 1] menyatakan variabel x1 dan kolom yang kedua merupakan variabel x2

Pembentukan Vektor Masukan dan Target
Setelah membentuk perceptron, berikutnya didefinisikan pola masukan dan target yang akan dikenali. Masing-masing masukan dan keluaran berupa vektor kolom. Perhatikan bahwa jumlah unit tiap pola masukan serta range nilainya harus sesuai dengan spesifikasi perceptron yang dibuat. 62

Pembentukan perceptron dengan masukan dan targetnya untuk mengenali pola fungsi logika ”AND” dengan bobot awal w = [-1 1] dan bias=[1] dilakukan prosedur di atas dan berikut: %Mulai baru net=newp([0 1;0 1],1); net.IW{1,1}=[-1 1] net.b{1}=[1] p = [ [1 ; 1] [1;0] [0;1] [0;0]]; t = [1 0 0 0];

Menghitung Keluaran Perceptron
Setelah pola masukan diberikan, kita dapat menghitung keluaran jaringan. Perintah sim dalam MATLAB dipakai untuk menghitung keluaran Perceptron. Formatnya adalah: [Y,Pf,Af,E,perf]=sim(net,P,Pi,Ai,T), dengan parameter masukan Net P Pi Ai T : nama jaringan dalam jaringan newp : vektor masukan jaringan : Kondisi delay masukan (default : nol) : Kondisi delay layar (default : nol) : vektor target jaringan (default : nol)

Dan parameter hasil Y : keluaran jaringan Pf : Kondisi akhir delay masukan Af : Kondisi akhir delay layar E : Error jaringan (T – Y) Perf. : Unjuk kerja jaringan (performance) Untuk menghitung keluaran jaringan, dapat digunakan statemen sederhana: y=sim(net,p). Misalkan ingin menghitung keluaran perceptron contoh terakhir: %lanjutkan [a,Pf,Af,e,perf]=sim(net,p,[],[],t) didapatkan hasil yang menunjukan performansinya adalah 0,75 yang berarti hanya pola pertama saja yang dikenali dengan benar.

Modifikasi bobot dan bias
Setelah menghitung keluaran jaringan, langkah berikutnya adalah mengubah bobot berdasarkan selisih antara keluaran jaringan dan target yang diinginkan. Untuk mengubah bobot digunakan perintah learnp yang formatnya: dW=learnp(W,P,Z,N,A,T,E,gW,gA,D,LP,LS) (ketik help learnp untuk keterangan lebih lanjut)

63

Misalkan perhitungan bobot setelah perintah sim pada contoh di atas dijalankan berturut-turut pada pola [1;1], [1;0],[0;1],[0;0]. %mulai baru p = [ [1 ; 1] [1;0] [0;1] [0;0]]; t = [1 0 0 0]; net=newp([0 1;0 1],1); bobot=[-1,1]; net.IW{1,1}=bobot; bias=1; net.b{1}=bias; p1=p(:,1); p2=p(:,2); p3=p(:,3); p4=p(:,4); t1=t(1); t2=t(2); t3=t(3); t4=t(4); %perubahan bobot untuk pola p1 disp(’pola p1 :’) a1=sim(net,p1) e1=t1-a1 dW=learnp(bobot,p1,[],[],[],[],e1,[],[],[],[],[]) bobot=bobot+dW Perintah learnp akan menyimpan besarnya perubahan bobot pada variabel dW. Bobot baru diperoleh dengan menambahkan dW ke vektor bobot. Karena keluaran jaringan = target, maka tidak dilakukan perubahan bobot sehingga bobot baru = bobot lama. Perubahan bobot untuk pola p2, p3 dan p4 dilakukan dengan program serupa %lanjutkan disp(’pola p2 :’) a2=sim(net,p2) e2=t2-a2 dW=learnp(bobot,p2,[],[],[],[],e2,[],[],[],[],[]) bobot=bobot+dW disp(’pola p3 :’) a3=sim(net,p3) e3=t3-a3 dW=learnp(bobot,p3,[],[],[],[],e3,[],[],[],[],[]) bobot=bobot+dW disp(’pola p4 :’) a4=sim(net,p4) e4=t4-a4 dW=learnp(bobot,p4,[],[],[],[],e4,[],[],[],[],[]) bobot=bobot+dW Pada pola 2 dan 3, e = t – a = -1 Sehingga dW = -p. Perubahan ini ditambahkan ke vektor bobot. Pada pola 4, e= 0 sehingga tidak dilakukan perubahan bobot.

64

Pelatihan Perceptron
Perceptron akan melakukan perubahan bobot terus menerus untuk setiap pola yang diberikan hingga diperoleh bobot yang akan digunakan untuk mengenali pola secara benar. Untuk mengecek apakah bobot sudah dapat mengenali pola maka dapat digunakan perintah: >> a = sim (net,p) >> e = t – a Hasil keluaranya adalah [ 1 1 1 1] sedangkan targetnya adalah [1 0 0 0]. Terdapat kesalahan e = [0 -1 -1 -1], ini memerlukan pelatihan berikutnya (epoch ke dua). Untuk menyingkat keseluruhan proses berikutnya (iterasi) MATLAB menyediakan perintah train yang formatnya adalah [net,tr,Y,E,Pf,Af] = train(NET,P,T,Pi,Ai,VV,TV) (deskripsi dapat dilihat menggunakan help train) Contoh: misalkan diinginkan bobot pengenalan pola untuk contoh yang tadi. p = [ [1 ; 1] [1;0] [0;1] [0;0]]; t = [1 0 0 0]; net=newp([0 1;0 1],1); net.IW{1,1}=[-1,1]; net.b{1}=[1]; net=train(net,p,t); %untuk mengetahui keadaan bobot optimal: disp(net.IW{1,1}) disp(net.b{1}) Jadi w1 = 1, w2 = 2 dan b = -2 Untuk mengehetahui perubahan bobot dan bias untuk setiap epoch, iterasi harus dihentikan sementara per epoch (dan ditampilkan hasilnya). Untuk itu digunakan perintah: function perceptron %training untuk fungsi ”AND” clc net=newp([0 1; 01],1); net.IW{1,1}=[-1,1]; net.b{1}=[1]; p = [ [1 ; 1] [1;0] [0;1] [0;0]]; t = [1 0 0 0]; e=9999 while e > 0 net.trainParam.epochs = 1 %pause training untuk tiap epoch net=train(net,p,t); bobot=net.IW{1,1} bias=net.b{1} 65

a = sim(net,p) e = sum (t – a) end TUGAS Buatlah program untuk mengenali fungsi logika XOR. Apakah perceptron mampu mengenalinya? Pustaka J.J. Siang, M.Sc., ”Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan MATLAB”, Penerbit Andi, Yogyakarta, 2005.

66

MODUL 8 NEURAL NETWORK (BACK PROPAGATION)

Backpropagation dibentuk dengan membuat aturan pelatihan Widrow Hoff dengan menambahkan layar tersembunyi. Kata backpropagation merujuk pada cara bagaimana gradien perubahan bobot dihitung. Langkah pertama yang harus dilakukan untuk memprogram backpropagation dengan MATLAB adalah membuat inisialisasi jaringan. Perintah untuk membentuk jaringan adalah newff. Yang formatnya adalah sebagai berikut: net = newff(PR,[S1 S2 ... SN],{TF1 TF2 … TFN},BTF,BLF,PF) dengan net = jaringan backpropagation yang terdiri dari n layer PR = matriks ordo R x 2 yang berisi nilai minimum dan maksimum R buah elemen masukannya. Si (i=1,2,...,n) = Fungsi aktivasi yang dipakai pada layar ke-i (i=1,2,...,n). Default = tansig (sigmoid bipolar) BTF = Fungsi pelatihan jaringan. Defaultnya = traingdx BLF = fungsi perubahan bobot/bias. Default=learngdm PF = fungsi perhitungan error (Mean Square Error MSE) Beberapa fungsi aktivasi yang dipakai dalam pelatihan backpropagation adalah 2 − 1 . Fungsi ini adalah default yang  tansig (sigmoid bipolar). f ( net ) = 1 + e − net dipakai. Fungsi sigmoid bipolar memliki range [-1,1]. 1  logsig (sigmoid biner) f (net ) = . Fungsi sigmoid biner memiliki 1 + e − net bentuk serupa dengan sigmoid bipolar hanya range nya adalah [0,1]  purelin (fungsi identitas) f(net)=net Inisialisasi Backpropagation Inisialisasi backpropagation untuk 2 masukan, sebuah layar tersembunyi terdiri dari 3 unit dan sebuah keluaran (sering disebut 2-3-1) dengan data yang dipakai pelatihan sebagai berikut Tabel 1 x1 (variabel 1) x2 (variabel 2) t (target) -1 0 -1 -1 5 -1 2 0 1 2 5 1 Fungsi aktivasi dari unit masukan ke layar tersembunyi adalah sigmoid bipolar dan dari layar tersembunyi ke keluaran adalah identitas. p = [-1 -1 2 2 ; 0 5 0 5] t = [-1 -1 1 1] net=newff([-1 2; 0 5], [3,1],{’tansig’,’purelin’});

67

Inisialisasi Bobot Setiap kali membentuk jaringan backpropagation dapat diberikan inisialisasi bobot tertentu dengan memberikan nilai pada net.IW, net.LW, dan net.b net.IW{j,i} digunakan sebagai variabel untuk menyimpan bobot dari unit masukan layar ke i ke unit tersembunyi (atau unit keluaran)layar j. Karena dalam Backpropagation unit masukan hanya terhubung dengan layar tersembunyi paling bawah, maka bobotnya disimpan dalam net.IW{1,1}. Sebaliknya net.LW{k,j} dipakai untuk menyimpan bobot dari unit di layar tersembunyi ke-j ke unit di layar tersembunyi ke-k. Sebagai contoh, net.LW{2,1} adalah menyimpan bobot dari layar tersembunyi paling bawah (layar tersembunyi ke 1) ke layar tersembunyi di atasnya (layar tersembunyi ke 2) Contoh pembuatan jaringan backpropagation 2-4-3-1 (semua masukan adalah bilangan antara -1 dan 2) dengan semua fungsi aktivasi sigmoid bipolar. Beri bobot dan bias seperti pada Tabel 2 – 4 Tabel 2 Dari Unit Masukan Layar X1 X2 Bias Tersembunyi 1 Z1 -1.3 0.7 0.3 Z2 0.5 0 -0.1 Z3 1.3 -0.4 -0.9 Z4 -0.1 1.2 0.5 Tabel 3 Dari Layar Tersembunyi 1 Layar z1 z2 z3 z4 Bias Tersembunyi 2 V1 0.4 0.3 -1 -0.3 0.5 V2 0.6 0 -0.6 -1.2 -1.3 V3 0.4 -0.3 0.2 0.9 -0.3 Tabel 3 Dari layar Tersembunyi 1 Keluaran z1 z2 Y1 0.4 0.9 Arsitektur pembentukan jaringan adalah z3 -0.1 Bias -1

net = newff ([-1 2; -1 2], [4,3,1]); pada perintah ini bobot disusun secara acak. Untuk mengatur bobot seperti pada Tabel 2–4 dilakukan: net.IW{1,1}=[-1.3 0.7; 0.5 0; 1.3 -0.4; -0.1 1.2]; net.b{1}=[0.3; - 0.1; - 0.9; 0.5]; net.LW{2,1}=[0.4 0.3 -1 -0.3;0.6 0 -0.6 -1.2;0.4 -0.3 0.2 0.9]; net.b{2}=[0.5;-1.3;-0.3]; net.LW{3,2}=[0.4 0.9 -0.1]; 68

net.b{3}=[-1]; Hasil bobot tersebut dapat dicek masing-masing dengan memanggil >>net.IW{1,1} >>net.b{1} >>net.LW{2,1} >>net.b{2} >>net.LW{3,2} >>net.b{3} Simulasi Jaringan Perintah sim dapat digunakan untuk menghitung output dari jaringan. Misalkan pada contoh di atas kita masukan input x1=0.5 dan x2=1.3 Pola masukan dengan menggunakan contoh di atas diperoleh: >>p=[0.5;1.3]; >>y=sim(net,p); untuk mengetauhi besarnya error parameter masukan harus ditambah dengan target yang ingin dicapai. Misalkan target nya t = 1, maka diperoleh keluaran dan error: >>t=[1]; >>[y,Pf,Af,e,perf]=sim(net,p,[],[],t)

Pelatihan Backpropagation
Untuk menjalankan pelatihan maka perintah train dapat digunakan. Pelatihan ini untuk meminimumkna kuadrat kesalahan rata-rata (MSE). Metode yang paling sederhana adalah gradient descent. Bobot dan bias diubah pada arah dimana unjuk kerja fungsi menurun paling cepat yaitu dalam arah negatif gradiennya. Wk+1 = Wk – αk*gk Contoh misalkan diketahui pasangan vektor seperti pada Tabel 1 Buat jaringan backprpagation dan latihlah dengan metode penurunan tercepat. Gunakan fungsi aktivasi sigmoid bipolar pada layar tersembunyi dan fungsi identitas pada layar keluarannya. p = [-1 -1 2 2 ; 0 5 0 5] t = [-1 -1 1 1] net=newff(minmax(p), [3,1], {’tansig’,’purelin’},’traingd’); *cat: lihat help minmax Dengan menggunakan perintah sim besarnya error mula-mula dapat ditentukan >>[y,Pf,Af,e,perf]=sim(net,p,[],[],t) Berikutnya untuk melatihnya digunakan perintah train

69

>>net=train(net,p,t) Training dihentikan pada epoch ke 100 (default) meskipun unjuk kerja yang diinginkan (mse=0) belum tercapai. Pca epoch ke 100 ini mse adalah 0,0065. Lihat juga grafiknya. Bobot, bias dan hasil pelatihannya dapat dilihat dengan perintah: >>net.IW{1,1} >>net.b{1} >>net.LW{2,1} >>net.b{2} >>[y,Pf,Af,e,perf]=sim(net,p,[],[],t) lihat hasilnya apakah mendekati target? Dari contoh di atas hamper tidak mungkin kita mendapatkan harga mse=0 (apalagi jika data pelatihannya banyak). Untuk itu orang cukup puas jika mse-nya cukup kecil (misalkan 0.0001). Jika kita perbesar laju pemahaman menjadi 0.1 dan merubah mse menjadi 0.0001, dilakukan perintah p = [-1 -1 2 2 ; 0 5 0 5] t = [-1 -1 1 1] net=newff(minmax(p), {’tansig’,’purelin’},’traingd’); net.trainParam.lr=0.1; net.trainParam.goal=0.0001; net=train(net,p,t) Coba jika laju pemahamannya 0.9 Apakah iterasi konvergen? Apakah performance goal nya ketemu? Contoh aplikasi Diketahui data bulanan penjualan suatu produk makanan kaleng selama 2 tahun terakhir seperti pada tabel 4. Buatlah prediksi penjualan makanan untuk bulan depan. Dengan toleransi sampai 10-5. Tabel 4. Tahun Penjualan Tiap Bulan 1 2 3 4 5 6 7 8 9 10 11 2003 204 169 134 118 161 224 616 1043 9590 529 308 5 6 1 1 3 2 1 7 1 1 2004 176 146 109 107 135 532 716 1378 1062 772 328 7 6 0 0 5 4 7 0 9 5 4 Jika ingin menggunakan fungsi aktivasi sigmoid biner, data harus ditransformasikan terlebih dahulu karena range keluaran fungsi sigmoid adalah [0,1]. Data bisa ditransformasikan ke interval yang lebih kecil misal pada interval [0.1, 0.9]. Ini mengingat fungsi sigmoid merupakan fungsi asimtotik yang nilainya tidak pernah mencapai 0 ataupun 1. Jika a adalah data minimum dan b adalah data maksimum, transformasi linier yang digunakan untuk mentransformasikan data ke interval [0.1, 0.9] adalah :

[3,1],

12 2147 2400

70

0.8( x − a ) + 0.1 b−a Sehingga Tabel 4 ditransformasikan menjadi Tabel 5 Tahun Penjualan Tiap Bulan 1 2 3 4 5 6 0.161 0.139 0.117 0.107 0.134 0.173 2003 4 4 1 0 2 8 0.143 0.124 0.101 0.100 0.117 0.367 2004 9 9 3 0 9 8 x' =

7 0.420 4 0.483 8

8 0.689 6 0.900 0

9 0.636 3 0.701 7

10 0.365 7 0.518 9

11 12 0.226 6 0.1678 0.239 4 0.1837

Pola yang dipakai merupakan data selama 12 bulan dan target adalah data penjualan pada bulan ke 13. Jadi ada 12 pola data dalam sebuah epochnya seperti pada Tabel 6. Jumlah layar tersembunyi bisa dicoba-coba mulai dengan layar tersembunyi dengan 3 unit. Tabel 6 (hasil dari rumus 1
Pola Data Masukan Target Pola 1 0.1614 0.1394 0.1171 0.1070 0.1342 0.1738 0.4204 0.6896 0.6363 0.3657 0.2266 0.1678 0.1439 Pola 2 0.1394 0.1171 0.1070 0.1342 0.1738 0.4204 0.6896 0.6363 0.3657 0.2266 0.1678 0.1439 0.1249 Pola 3 0.1171 0.1070 0.1342 0.1738 0.4204 0.6896 0.6363 0.3657 0.2266 0.1678 0.1439 0.1249 0.1013 Pola 4 0.1070 0.1342 0.1738 0.4204 0.6896 0.6363 0.3657 0.2266 0.1678 0.1439 0.1249 0.1013 0.1000 Pola 5 0.1342 0.1738 0.4204 0.6896 0.6363 0.3657 0.2266 0.1678 0.1439 0.1249 0.1013 0.1000 0.1179 Pola 6 0.1738 0.4204 0.6896 0.6363 0.3657 0.2266 0.1678 0.1439 0.1249 0.1013 0.1000 0.1179 0.3678 Pola 7 0.4204 0.6896 0.6363 0.3657 0.2266 0.1678 0.1439 0.1249 0.1013 0.1000 0.1179 0.3678 0.4838 Pola 8 0.6896 0.6363 0.3657 0.2266 0.1678 0.1439 0.1249 0.1013 0.1000 0.1179 0.3678 0.4838 0.9000 Pola 9 0.6363 0.3657 0.2266 0.1678 0.1439 0.1249 0.1013 0.1000 0.1179 0.3678 0.4838 0.9000 0.7017 Pola 10 0.3657 0.2266 0.1678 0.1439 0.1249 0.1013 0.1000 0.1179 0.3678 0.4838 0.9000 0.7017 0.5189 Pola 11 0.2266 0.1678 0.1439 0.1249 0.1013 0.1000 0.1179 0.3678 0.4838 0.9000 0.7017 0.5189 0.2394 Pola 12 0.1678 0.1439 0.1249 0.1013 0.1000 0.1179 0.3678 0.4838 0.9000 0.7017 0.5189 0.2394 0.1837

(Buat saja di Excel biar gampang) Masukan harga p dengan mengkopi paste data masukan pelatihan p = [ %copy paste data tabel 6 … ] dan t= [ %copy paste data tabel 6 … ]’ net=newff(minmax(p), {’logsig’,’logsig’},’traingdx’); net.trainParam.goal=1e-5; net.trainParam.epochs=500; net.trainParam.show=500; net=train(net,p,t)%didapatkan bobot terbaik

[2,1],

1 2 3 4 5 6
71

Modul 9 Contoh Program Aplikasi Modelling dengan Matlab
Traveling Salesman Permasalahan: Kita ingin mengetahui jalan yang terpendek yang harus dilalui oleh seorang salesman, teori dasarnya adalah pada teori graph dalam mata kuliah matematika diskrit. Jawaban Listing travel.m function travel(action); % Demo program TRAVEL Traveling salesman % demo ini merupakan animasi yang disebut % "Traveling Salesman" . % Masalahnya adalah mencari jalan terpendek % yang harus dilalui. % Algoritma demo ini sangatlah sederhana % Dan sangat cepat penyelesaiannya % Menggunakan menu pop up kota untuk membedakan masing masing animasi % Klick "Start" % dan "Stop" buttons untuk menyelesaikan animasi % Kota yang dipilih akan dikunjungi secara random. play= 1; stop=-1; if nargin<1, action='initialize'; end; switch action case 'initialize', oldFigNumber=watchon; figNumber=figure( ... 'Name','Travel: The Traveling Salesman Problem', ... 'NumberTitle','off', ... 'Visible','off', ... 'DoubleBuffer','on', ... 'Color', [0 0 0], ... 'BackingStore','off'); axes( ... 'Units','normalized', ... 'Position',[0.05 0.05 0.75 0.90], ... 'Visible','off', ...

72

'NextPlot','add'); text(0,0,'Press the "Start" button to see the Traveling Salesman demo', ... 'HorizontalAlignment','center'); axis([-1 1 -1 1]); %=================================== % Information for all buttons labelColor=[0.8 0.8 0.8]; yInitPos=0.90; xPos=0.85; btnWid=0.10; btnHt=0.10; % Spacing between the button and the next command's label spacing=0.05; %==================================== % The CONSOLE frame frmBorder=0.02; yPos=0.05-frmBorder; frmPos=[xPos-frmBorder yPos btnWid+2*frmBorder 0.9+2*frmBorder]; h=uicontrol( ... 'Style','frame', ... 'Units','normalized', ... 'Position',frmPos, ... 'BackgroundColor',[0.50 0.50 0.50]); %==================================== % The START button btnNumber=1; yPos=0.90-(btnNumber-1)*(btnHt+spacing); labelStr='Start'; cmdStr='start'; callbackStr='travel(''start'');'; % Generic button information btnPos=[xPos yPos-spacing btnWid btnHt]; startHndl=uicontrol( ... 'Style','pushbutton', ... 'Units','normalized', ... 'Position',btnPos, ... 'String',labelStr, ... 'Interruptible','on', ... 'Callback',callbackStr); %==================================== % The CITIES popup button btnNumber=2; yPos=0.90-(btnNumber-1)*(btnHt+spacing); textStr='Cities'; popupStr=reshape(' 15 20 25 30 35 40 45 50 ',4,8)'; % Generic button information btnPos1=[xPos yPos-spacing+btnHt/2 btnWid btnHt/2]; btnPos2=[xPos yPos-spacing btnWid btnHt/2]; popupHndl=uicontrol( ... 73

'Style','text', ... 'Units','normalized', ... 'Position',btnPos1, ... 'String',textStr); btnPos=[xPos yPos-spacing btnWid btnHt/2]; popupHndl=uicontrol( ... 'Style','popup', ... 'Value',4, ...t 'Units','normalized', ... 'Position',btnPos2, ... 'String',popupStr); %==================================== % The STOP button btnNumber=3; yPos=0.90-(btnNumber-1)*(btnHt+spacing); labelStr='Stop'; % Setting userdata to -1 (=stop) will stop the demo. callbackStr='set(gca,''Userdata'',-1)'; % Generic button information btnPos=[xPos yPos-spacing btnWid btnHt]; stopHndl=uicontrol( ... 'Style','pushbutton', ... 'Units','normalized', ... 'Position',btnPos, ... 'Enable','off', ... 'String',labelStr, ... 'Callback',callbackStr); %==================================== % The INFO button labelStr='Info'; callbackStr='travel(''info'')'; infoHndl=uicontrol( ... 'Style','push', ... 'Units','normalized', ... 'Position',[xPos 0.20 btnWid 0.10], ... 'String',labelStr, ... 'Callback',callbackStr); %==================================== % The CLOSE button labelStr='Close'; callbackStr='close(gcf)'; closeHndl=uicontrol( ... 'Style','push', ... 'Units','normalized', ... 'Position',[xPos 0.05 btnWid 0.10], ... 'String',labelStr, ... 'Callback',callbackStr); % Uncover the figure hndlList=[startHndl popupHndl stopHndl infoHndl closeHndl]; set(figNumber, ... 74

'Visible','on', ... 'UserData',hndlList); watchoff(oldFigNumber); figure(figNumber); case 'start', WNumber=watchon; axHndl=gca; figNumber=gcf; hndlList=get(figNumber,'Userdata'); startHndl=hndlList(1); popupHndl=hndlList(2); stopHndl=hndlList(3); infoHndl=hndlList(4); closeHndl=hndlList(5); set([startHndl closeHndl infoHndl],'Enable','off'); set(stopHndl,'Enable','on'); set(axHndl,'Userdata',play); set(popupHndl, 'Enable', 'off'); % ====== Start of Demo % Travel problem % This is the main program for the Traveling Salesman Problem. % This function makes use of the following other functions: % inside % Lay down a picture of the United States for graphic appeal. load('usborder.mat','x','y','xx','yy'); % The file usborder.mat contains a map of the US in the variables % x and y, and a geometrically simplified version of the same map % in the variables xx and yy. cla; plot(x,y,'Color','cyan'); axis off; axis([-0.1 1.5 -0.2 1.2]); set(axHndl,'Drawmode','Fast'); hold on; drawnow; nptsStr=get(popupHndl,'String'); nptsVal=get(popupHndl,'Value'); npts=str2double(nptsStr(nptsVal,:)); set(popupHndl, 'Enable', 'off'); % ...else generate the random cities to visit X=[]; Y=[]; % Form the US border in imaginary coords for the INSIDE routine w=xx+i*yy; n=0; 75

while n<npts, a=rand*1.4+i*rand; if inside(a,w), X=[X; real(a)]; Y=[Y; imag(a)]; n=n+1; end; end; xy=[X Y]; % Calculate the distance matrix for all of the cities distmatrix = zeros(npts); for count1=1:npts, for count2=1:count1, x1 = xy(count1,1); y1 = xy(count1,2); x2 = xy(count2,1); y2 = xy(count2,2); distmatrix(count1,count2)=sqrt((x1-x2)^2+(y1-y2)^2); distmatrix(count2,count1)=distmatrix(count1,count2); end; end; % Generate an initial random path between those cities p=randperm(npts); newxy=xy(p,:); newxy=[newxy; newxy(1,:)]; xdata=newxy(:,1); ydata=newxy(:,2); watchoff(WNumber); plot(xdata,ydata,'r.','Markersize',24); plothandle=plot(xdata,ydata,'yellow','LineWidth',2); axis off; drawnow; len=LocalPathLength(p,distmatrix); lenhist=len; while get(axHndl,'Userdata')==play, drawnow; drawFlag=0; % Try a point for point swap % ======================== swpt1=floor(npts*rand)+1; swpt2=floor(npts*rand)+1; swptlo=min(swpt1,swpt2); swpthi=max(swpt1,swpt2); order=1:npts; order(swptlo:swpthi)=order(swpthi:-1:swptlo); pnew = p(order); lennew=LocalPathLength(pnew,distmatrix); if lennew<len, p=pnew; len=lennew; drawFlag=1; 76

end; % ======================== % Try a single point insertion % ======================== swpt1=floor(npts*rand)+1; swpt2=floor((npts-1)*rand)+1; order=1:npts; order(swpt1)=[]; order=[order(1:swpt2) swpt1 order((swpt2+1):(npts-1))]; pnew = p(order); lennew=LocalPathLength(pnew,distmatrix); if lennew<len, p=pnew; len=lennew; drawFlag=1; end if drawFlag, newxy=xy(p,:); newxy=[newxy; newxy(1,:)]; xdata=newxy(:,1); ydata=newxy(:,2); set(plothandle,'XData',xdata,'YData',ydata); drawnow; end; % ======================== end; % ====== End of Demo set([startHndl closeHndl infoHndl],'Enable','on'); set(stopHndl,'Enable','off'); set(popupHndl, 'Enable', 'on'); case 'info', helpwin(mfilename) end; % if strcmp(action, ... function total=LocalPathLength(p,distmatrix); npts = size(p,2); total=sum(distmatrix([(p-1)*npts + p([end 1:(end-1)])]));

77

Contoh OutPut Trafeling Salesman dengan 25 Kota dihasilkan :

Trafeling Salesman dengan 50 Kota dihasilkan :

78

DAFTAR PUSTAKA
1. Messner, William and Dawn Tilbury. Control Tutorials for MatLab and Simulink. A Web Based Approach. Addisson Wesley, Inc. 1999. 2. Ogata, Katsuhiko. Modern Control Engineering. 3rd ed. Prentice Hall International. 1997 3. http://www.mathworks.com 4. Ogata, Katsuhiko. Solving Control Engineering Problems with MatLab. Englewood Cliffs, New Jersey : Prentice Hall Inc. 1994 5. _______. MatLab High Performance Numeric Computation and Visualization Software. The Mathworks, Inc. 1992

79

You're Reading a Free Preview

Descarga
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->